Projeto de Análise de Dados

Aluno: Renato Rodrigues Alves
Curso: Engenharia Civil
Instituição: Faculdade Celso Lisboa
Disciplina: Análise de Dados
Local: Rio de Janeiro - RJ

1. Introdução

Este relatório apresenta uma Análise Exploratória de Dados (AED) das vendas da empresa Bar da Dorinha. O objetivo principal é avaliar o desempenho individual dos vendedores, identificar tendências de vendas ao longo dos meses e estruturar a folha de pagamento referente a março de 2024, aplicando automação de processos por meio da linguagem R.

Adicionalmente, ao final do relatório, é apresentada uma projeção de vendas para os próximos 6 meses utilizando modelos de séries temporais.

2. Carregamento de pacote

3. Carregamento de planilha

vendas <- read_excel("Vendas2024.xlsx", sheet = "Sheet1")

vendas <- vendas %>%
  mutate(
    vendedor = as.factor(vendedor),
    dias = as.Date(dias),
    venda_diaria = as.numeric(venda_diaria)
  )

vendas_limpo <- vendas %>%
  filter(!is.na(venda_diaria))

str(vendas_limpo)

## tibble [113,202 × 5] (S3: tbl_df/tbl/data.frame)
##  $ vendedor    : Factor w/ 12 levels "101101","101102",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ dias        : Date[1:113202], format: "2018-01-01" "2018-01-01" ...
##  $ venda_diaria: num [1:113202] 372 139 354 241 123 ...
##  $ ano         : num [1:113202] 2018 2018 2018 2018 2018 ...
##  $ mes         : num [1:113202] 1 1 1 1 1 1 1 1 1 1 ...

head(vendas_limpo) %>% 
  kable(caption = "Primeiras Linhas da Base de Vendas") %>% 
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Primeiras Linhas da Base de Vendas
vendedor	dias	venda_diaria	ano	mes
101101	2018-01-01	371.97	2018	1
101101	2018-01-01	138.59	2018	1
101101	2018-01-01	353.93	2018	1
101101	2018-01-01	240.73	2018	1
101101	2018-01-01	122.54	2018	1
101101	2018-01-01	165.06	2018	1

summary(vendas_limpo)

##     vendedor          dias             venda_diaria         ano      
##  101102 :14604   Min.   :2018-01-01   Min.   :  9.79   Min.   :2018  
##  101101 :13742   1st Qu.:2020-09-19   1st Qu.:133.27   1st Qu.:2020  
##  101103 :12779   Median :2022-02-03   Median :254.06   Median :2022  
##  101104 :10493   Mean   :2021-11-21   Mean   :260.38   Mean   :2021  
##  101105 :10419   3rd Qu.:2023-03-15   3rd Qu.:373.85   3rd Qu.:2023  
##  101106 : 9997   Max.   :2024-03-30   Max.   :838.42   Max.   :2024  
##  (Other):41168                                                       
##       mes        
##  Min.   : 1.000  
##  1st Qu.: 3.000  
##  Median : 7.000  
##  Mean   : 6.548  
##  3rd Qu.:10.000  
##  Max.   :12.000  
##

4. Análise Estatística com dplyr

4.1 Desempenho Individual por Vendedor

estat_vendedor <- vendas_limpo %>%
  group_by(vendedor) %>%
  summarise(
    Total_Vendas = sum(venda_diaria),
    Media_Diaria = mean(venda_diaria),
    Mediana_Diaria = median(venda_diaria),
    Desvio_Padrao = sd(venda_diaria),
    Total_Registros = n()
  ) %>%
  arrange(desc(Total_Vendas))

estat_vendedor %>%
  kable(caption = "Métricas de Vendas por Vendedor", digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "bordered"))

Métricas de Vendas por Vendedor
vendedor	Total_Vendas	Media_Diaria	Mediana_Diaria	Desvio_Padrao	Total_Registros
101102	4031176	276.03	268.37	160.76	14604
101101	3489519	253.93	249.28	146.27	13742
101103	3433923	268.72	264.70	155.34	12779
101105	2694622	258.63	250.79	150.14	10419
101104	2491491	237.44	232.13	137.85	10493
101108	2473665	271.47	265.24	157.04	9112
101106	2458056	245.88	240.99	143.15	9997
102111	2441308	244.67	240.99	140.90	9978
101107	2201441	250.28	243.28	146.59	8796
102112	1338667	289.50	282.73	166.85	4624
101109	1296194	304.06	297.62	173.87	4263
101110	1125154	256.01	252.31	145.72	4395

4.2 Venda Mensal Total (Geral)

venda_mensal_geral <- vendas_limpo %>%
  group_by(ano, mes) %>%
  summarise(Total_Mensal = sum(venda_diaria)) %>%
  arrange(ano, mes)

venda_mensal_geral %>%
  kable(caption = "Venda Mensal Total da Empresa", digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Venda Mensal Total da Empresa
ano	mes	Total_Mensal
2018	1	101567.93
2018	2	84566.85
2018	3	85530.13
2018	4	98811.06
2018	5	120225.68
2018	6	97619.83
2018	7	83419.18
2018	8	124339.31
2018	9	120982.09
2018	10	127807.90
2018	11	155285.26
2018	12	187369.81
2019	1	136127.00
2019	2	98931.27
2019	3	114280.20
2019	4	126960.42
2019	5	171233.06
2019	6	149914.75
2019	7	107252.77
2019	8	141441.62
2019	9	129484.14
2019	10	288625.81
2019	11	355359.75
2019	12	468261.28
2020	1	271472.65
2020	2	222533.09
2020	3	382382.08
2020	4	421068.32
2020	5	517596.70
2020	6	416373.11
2020	7	351208.06
2020	8	331284.75
2020	9	400772.74
2020	10	387258.35
2020	11	505659.62
2020	12	595835.98
2021	1	360726.31
2021	2	301422.03
2021	3	385502.04
2021	4	430170.60
2021	5	483334.28
2021	6	476022.42
2021	7	400116.30
2021	8	392945.07
2021	9	375571.56
2021	10	441425.94
2021	11	503923.84
2021	12	608599.31
2022	1	398929.02
2022	2	344108.08
2022	3	366832.24
2022	4	479610.28
2022	5	669782.26
2022	6	616457.44
2022	7	540985.75
2022	8	530524.87
2022	9	510590.58
2022	10	614907.36
2022	11	736200.89
2022	12	817665.03
2023	1	568067.46
2023	2	477297.07
2023	3	577768.37
2023	4	608208.92
2023	5	699119.04
2023	6	682889.59
2023	7	574676.55
2023	8	571171.72
2023	9	572114.63
2023	10	651203.73
2023	11	757312.16
2023	12	898480.62
2024	1	549534.22
2024	2	468779.94
2024	3	553397.54

4.3 Venda Mensal por Vendedor

venda_mensal_vendedor <- vendas_limpo %>%
  group_by(vendedor, ano, mes) %>%
  summarise(Total_Vendas_Mensais = sum(venda_diaria)) %>%
  arrange(vendedor, ano, mes)

head(venda_mensal_vendedor, 15) %>%
  kable(caption = "Venda Mensal por Vendedor (Apenas primeiras 15 linhas)", digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Venda Mensal por Vendedor (Apenas primeiras 15 linhas)
vendedor	ano	mes	Total_Vendas_Mensais
101101	2018	1	40681.80
101101	2018	2	41947.67
101101	2018	3	39753.13
101101	2018	4	40270.40
101101	2018	5	60735.17
101101	2018	6	37626.92
101101	2018	7	52441.26
101101	2018	8	34252.90
101101	2018	9	30023.94
101101	2018	10	41341.30
101101	2018	11	51040.47
101101	2018	12	39680.91
101101	2019	1	41224.85
101101	2019	2	29976.22
101101	2019	3	39335.37

5. Visualização de Dados com ggplot2

5.1 Venda Total por Vendedor

ggplot(estat_vendedor, aes(x = reorder(vendedor, -Total_Vendas), y = Total_Vendas, fill = vendedor)) +
  geom_col(show.legend = FALSE) +
  theme_minimal() +
  labs(title = "Faturamento Total por Vendedor", x = "Vendedor", y = "Total de Vendas (R$)") +
  scale_y_continuous(labels = scales::comma)

5.2 Tendência Geral das Vendas Mensais

# Criando uma coluna de data fictícia para o eixo X do gráfico de linhas
venda_mensal_geral <- venda_mensal_geral %>%
  mutate(Data_Ref = as.Date(paste(ano, mes, "01", sep = "-")))

ggplot(venda_mensal_geral, aes(x = Data_Ref, y = Total_Mensal)) +
  geom_line(color = "darkblue", size = 1.2) +
  geom_point(color = "red", size = 2) +
  theme_minimal() +
  labs(title = "Tendência de Vendas Mensais da Empresa", x = "Período", y = "Venda Total (R$)") +
  scale_x_date(date_labels = "%m/%Y", date_breaks = "3 months")

5.3 Tendência Mensal Facetada por Vendedor

venda_mensal_vendedor <- venda_mensal_vendedor %>%
  mutate(Data_Ref = as.Date(paste(ano, mes, "01", sep = "-")))

ggplot(venda_mensal_vendedor, aes(x = Data_Ref, y = Total_Vendas_Mensais, group = vendedor, color = vendedor)) +
  geom_line(size = 1) +
  facet_wrap(~vendedor, scales = "free_y") +
  theme_minimal() +
  theme(legend.position = "none") +
  labs(title = "Evolução Mensal de Vendas por Vendedor", x = "Período", y = "Total Mensal (R$)")

5.4 Distribuição dos Valores de Venda Diária

ggplot(vendas_limpo, aes(x = venda_diaria)) +
  geom_histogram(bins = 40, fill = "seagreen", color = "white", alpha = 0.8) +
  theme_minimal() +
  labs(title = "Distribuição dos Valores das Vendas Diárias", x = "Valor da Venda Diária (R$)", y = "Frequência")

5.5 Boxplot de Vendas Diárias por Mês

ggplot(vendas_limpo, aes(x = as.factor(mes), y = venda_diaria, fill = as.factor(mes))) +
  geom_boxplot(show.legend = FALSE) +
  theme_minimal() +
  labs(title = "Dispersão das Vendas Diárias por Mês", x = "Mês", y = "Valor da Venda (R$)")

5.6 Boxplot de Vendas por Vendedor

ggplot(vendas_limpo, aes(x = vendedor, y = venda_diaria, fill = vendedor)) +
  geom_boxplot(show.legend = FALSE) +
  theme_minimal() +
  labs(title = "Dispersão das Vendas Diárias por Vendedor", x = "Vendedor", y = "Valor da Venda (R$)")

6. Cálculo do Salário de Março de 2024

Regra aplicada para Março de 2024: \[Salário = Salário\_Base + Comissão(5\%) - FGTS(8\%) - INSS(11\%)\]

# Criando dados simulados de Salário Base para os vendedores existentes na base
vendedores_unicos <- unique(vendas_limpo$vendedor)
salario_base_df <- data.frame(
  vendedor = vendedores_unicos,
  salario_base = rep(2000.00, length(vendedores_unicos)) # Exemplo: R$ 2.000,00 de base para todos
)

# Filtrando as vendas apenas de Março de 2024
vendas_mar_2024 <- vendas_limpo %>%
  filter(ano == 2024, mes == 3) %>%
  group_by(vendedor) %>%
  summarise(Vendas_Total_Mes = sum(venda_diaria))

# Unindo com a tabela de salário base e efetuando os cálculos
folha_marco <- salario_base_df %>%
  inner_join(vendas_mar_2024, by = "vendedor") %>%
  mutate(
    Comissao = Vendas_Total_Mes * 0.05,
    FGTS_Desconto = salario_base * 0.08,
    INSS_Desconto = salario_base * 0.11,
    Salario_Liquido = salario_base + Comissao - FGTS_Desconto - INSS_Desconto
  )

folha_marco %>%
  kable(caption = "Folha de Pagamento - Março de 2024", digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Folha de Pagamento - Março de 2024
vendedor	salario_base	Vendas_Total_Mes	Comissao	FGTS_Desconto	INSS_Desconto	Salario_Liquido
101101	2000	37178.72	1858.94	160	220	3478.94
101102	2000	46217.34	2310.87	160	220	3930.87
101103	2000	44313.81	2215.69	160	220	3835.69
101104	2000	48342.67	2417.13	160	220	4037.13
101106	2000	43376.99	2168.85	160	220	3788.85
102111	2000	50860.12	2543.01	160	220	4163.01
101105	2000	55186.72	2759.34	160	220	4379.34
101107	2000	49625.06	2481.25	160	220	4101.25
101108	2000	37490.39	1874.52	160	220	3494.52
101109	2000	33693.06	1684.65	160	220	3304.65
101110	2000	41738.19	2086.91	160	220	3706.91
102112	2000	65374.47	3268.72	160	220	4888.72

Desafios (Automação de Contra-cheques)

# Função para gerar holerites individuais em arquivos .txt
gerar_holerites <- function(dados_folha) {
  for(i in 1:nrow(dados_folha)) {
    vendedor_id <- dados_folha$vendedor[i]
    texto <- paste0(
      "====================================================\n",
      "              BAR DA DORINHA - HOLERITE             \n",
      "====================================================\n",
      "Vendedor ID: ", vendedor_id, "\n",
      "----------------------------------------------------\n",
      "Salário Base:       R$ ", round(dados_folha$salario_base[i], 2), "\n",
      "Comissão (5%):      R$ ", round(dados_folha$Comissao[i], 2), "\n",
      "(-) Desconto FGTS:  R$ ", round(dados_folha$FGTS_Desconto[i], 2), "\n",
      "(-) Desconto INSS:  R$ ", round(dados_folha$INSS_Desconto[i], 2), "\n",
      "----------------------------------------------------\n",
      "SALÁRIO LÍQUIDO:    R$ ", round(dados_folha$Salario_Liquido[i], 2), "\n",
      "====================================================\n"
    )
    # Salva em arquivo individual
    writeLines(texto, paste0("Holerite_Vendedor_", vendedor_id, ".txt"))
  }
}

7. DESAFIO (Previsão de Vendas para os próximos 6 meses)

# Criando o objeto de Série Temporal (TS) baseado no faturamento mensal geral
# Ajuste o start de acordo com o ano/mês inicial real dos seus dados
vendas_ts <- ts(venda_mensal_geral$Total_Mensal, start = c(min(venda_mensal_geral$ano), min(venda_mensal_geral$mes)), frequency = 12)

# Ajustando o modelo de previsão automática
modelo_previsao <- forecast(vendas_ts, h = 6)

# Plotando o gráfico de previsão
plot(modelo_previsao, main = "Previsão de Vendas para os Próximos 6 Meses - Bar da Dorinha",
     xlab = "Tempo", ylab = "Vendas Totais (R$)", col = "blue", fcol = "red")

8. Conclusão

A análise de dados permitiu identificar com clareza quais colaboradores trazem o maior faturamento para o Bar da Dorinha, além de apontar as tendências de crescimento da empresa. O modelo preditivo nos próximos meses serve como uma excelente ferramenta de apoio à tomada de decisão gerencial, permitindo prever necessidades de estoque e fluxo de caixa.

Projeto_Fase3

Renato Rodrigues

2026-06-15