Projeto da Fase 3 - Análise Estatística de Dados e Visualização - Victor Hugo Guedes

Projeto da Fase 3 - Análise Estatística de Dados e Visualização - Victor Hugo Prof. Adriano Projeto de Análise de Dados Programador: Victor Hugo Guedes Instituição: Centro Universitário Celso Lisboa

Carregamento de Bibliotecas

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)
library(readxl)
library(readr)
library(lubridate)

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

library(knitr)
library(kableExtra)

## 
## Attaching package: 'kableExtra'

## The following object is masked from 'package:dplyr':
## 
##     group_rows

eval = FALSE 

Introdução

Este relatorio apresenta uma análise exploratória dos dados de vendas da empresa Bar da Dorinha. O objetivo é analisar o desempenho dos vendedores, identificar padrões de vendas e calcular a folha de pagamento referente ao mês de março de 2024.

Importando a planilha

Importamos as Planilhas do Liga: Salario Base e Vendas 2024

vendas <- read_excel("Vendas2024.xlsx")
names(vendas)

## [1] "vendedor"     "dias"         "venda_diaria" "ano"          "mes"

salarios <- read_excel("Salario_base2024.xlsx")
names(salarios)

## [1] "Número de Inscrição" "Nome"                "Sobrenome"          
## [4] "Setor"               "Cargo"               "Contrato"           
## [7] "Salario_base"

Estrutura dos Dados

str(vendas)

## tibble [113,202 × 5] (S3: tbl_df/tbl/data.frame)
##  $ vendedor    : num [1:113202] 101101 101101 101101 101101 101101 ...
##  $ dias        : POSIXct[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)

## # A tibble: 6 × 5
##   vendedor dias                venda_diaria   ano   mes
##      <dbl> <dttm>                     <dbl> <dbl> <dbl>
## 1   101101 2018-01-01 00:00:00         372.  2018     1
## 2   101101 2018-01-01 00:00:00         139.  2018     1
## 3   101101 2018-01-01 00:00:00         354.  2018     1
## 4   101101 2018-01-01 00:00:00         241.  2018     1
## 5   101101 2018-01-01 00:00:00         123.  2018     1
## 6   101101 2018-01-01 00:00:00         165.  2018     1

summary(vendas)

##     vendedor           dias                      venda_diaria         ano      
##  Min.   :101101   Min.   :2018-01-01 00:00:00   Min.   :  9.79   Min.   :2018  
##  1st Qu.:101102   1st Qu.:2020-09-19 00:00:00   1st Qu.:133.27   1st Qu.:2020  
##  Median :101105   Median :2022-02-03 00:00:00   Median :254.06   Median :2022  
##  Mean   :101234   Mean   :2021-11-21 03:43:43   Mean   :260.38   Mean   :2021  
##  3rd Qu.:101108   3rd Qu.:2023-03-15 00:00:00   3rd Qu.:373.85   3rd Qu.:2023  
##  Max.   :102112   Max.   :2024-03-30 00:00:00   Max.   :838.42   Max.   :2024  
##       mes        
##  Min.   : 1.000  
##  1st Qu.: 3.000  
##  Median : 7.000  
##  Mean   : 6.548  
##  3rd Qu.:10.000  
##  Max.   :12.000

Tratamento dos Dados

vendas <- vendas %>%

  mutate(

    vendedor = as.factor(vendedor),

    venda_diaria = as.numeric(venda_diaria)

  ) %>%

  filter(!is.na(venda_diaria))

2. Análise Estatística

Estatísticas por Vendedor

estatisticas_vendedor <- vendas %>%

  group_by(vendedor) %>%

  summarise(

    Venda_Total = sum(venda_diaria),

    Media_Diaria = mean(venda_diaria),

    Mediana_Diaria = median(venda_diaria),

    Desvio_Padrao = sd(venda_diaria),

    Quantidade_Registros = n()

  ) %>%

  arrange(desc(Venda_Total))

estatisticas_vendedor %>%

  kable(digits = 2)

vendedor	Venda_Total	Media_Diaria	Mediana_Diaria	Desvio_Padrao	Quantidade_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

Análise

Foi observado que existem diferenças significativas entre os vendedores. Os profissionais com maiores vendas totais também tendem a apresentar maiores médias diárias, indicando desempenho consistente ao longo do período analisado.

Vendas Mensais Totais

vendas_mensais <- vendas %>%

  group_by(mes) %>%

  summarise(Total_Vendas = sum(venda_diaria))

vendas_mensais %>%

  kable(digits = 2)

mes	Total_Vendas
1	2386425
2	1997638
3	2465693
4	2164830
5	2661291
6	2439277
7	2057659
8	2091707
9	2109516
10	2511229
11	3013742
12	3576212

Vendas Mensais por Vendedor

vendas_mensais_vendedor <- vendas %>%

  group_by(vendedor, mes) %>%

  summarise(

    Total_Vendas_Mensais = sum(venda_diaria),

    .groups = "drop"

  )

vendas_mensais_vendedor %>%

  kable(digits = 2)

vendedor	mes	Total_Vendas_Mensais
101101	1	304996.55
101101	2	280841.29
101101	3	271108.23
101101	4	312580.18
101101	5	332379.50
101101	6	273624.83
101101	7	244295.36
101101	8	241060.96
101101	9	235423.53
101101	10	272452.76
101101	11	353683.41
101101	12	367072.11
101102	1	358325.87
101102	2	258428.16
101102	3	350061.41
101102	4	316714.02
101102	5	303263.64
101102	6	351696.00
101102	7	290731.31
101102	8	293787.95
101102	9	313033.75
101102	10	328450.46
101102	11	354579.10
101102	12	512104.04
101103	1	256950.60
101103	2	227085.20
101103	3	261548.28
101103	4	264556.80
101103	5	290407.44
101103	6	253482.21
101103	7	219043.61
101103	8	289967.85
101103	9	281298.37
101103	10	296370.12
101103	11	376967.19
101103	12	416245.38
101104	1	222662.16
101104	2	155017.30
101104	3	217127.72
101104	4	154917.52
101104	5	229778.76
101104	6	210482.34
101104	7	153517.12
101104	8	144273.45
101104	9	154356.88
101104	10	230839.02
101104	11	292080.27
101104	12	326438.93
101105	1	243601.59
101105	2	181129.39
101105	3	230925.68
101105	4	217487.04
101105	5	210134.02
101105	6	211313.24
101105	7	198280.47
101105	8	178660.18
101105	9	182837.38
101105	10	219010.56
101105	11	281821.85
101105	12	339420.87
101106	1	190747.81
101106	2	186249.53
101106	3	211870.26
101106	4	187609.33
101106	5	248299.20
101106	6	178133.89
101106	7	138348.33
101106	8	163860.42
101106	9	178171.05
101106	10	203824.08
101106	11	270247.30
101106	12	300695.05
101107	1	131991.95
101107	2	148701.20
101107	3	205178.07
101107	4	186903.56
101107	5	216176.32
101107	6	193094.22
101107	7	159875.93
101107	8	174730.10
101107	9	154164.84
101107	10	190023.95
101107	11	190755.82
101107	12	249844.79
101108	1	144378.98
101108	2	147176.34
101108	3	225444.00
101108	4	203459.68
101108	5	256836.88
101108	6	212237.53
101108	7	191760.85
101108	8	169119.74
101108	9	194768.33
101108	10	193896.73
101108	11	240693.66
101108	12	293892.62
101109	1	130292.65
101109	2	89180.06
101109	3	86114.55
101109	4	56328.50
101109	5	96427.52
101109	6	133369.88
101109	7	94089.19
101109	8	101625.88
101109	9	80056.90
101109	10	131671.38
101109	11	145915.46
101109	12	151122.44
101110	1	102221.04
101110	2	71676.60
101110	3	78463.27
101110	4	49210.58
101110	5	103094.09
101110	6	111804.99
101110	7	97608.66
101110	8	95514.34
101110	9	81701.94
101110	10	103513.47
101110	11	120435.98
101110	12	109909.32
102111	1	214266.61
102111	2	160480.82
102111	3	205464.53
102111	4	154996.70
102111	5	237483.46
102111	6	195677.70
102111	7	166520.44
102111	8	128257.65
102111	9	163233.04
102111	10	224139.70
102111	11	262223.83
102111	12	328563.49
102112	1	85988.78
102112	2	91672.44
102112	3	122386.60
102112	4	60065.69
102112	5	137010.19
102112	6	114360.31
102112	7	103587.34
102112	8	110848.82
102112	9	90469.73
102112	10	117036.86
102112	11	124337.65
102112	12	180902.99

3. Visualização dos Dados

Gráfico de Barras - Venda Total por Vendedor

ggplot(estatisticas_vendedor,

       aes(x = reorder(vendedor, Venda_Total),

           y = Venda_Total)) +

  geom_col() +

  coord_flip() +

  labs(

    title = "Venda Total por Vendedor",

    x = "Vendedor",

    y = "Total de Vendas"

  )

Tendência Geral das Vendas Mensais

ggplot(vendas_mensais,

       aes(x = mes,

           y = Total_Vendas,

           group = 1)) +

  geom_line() +

  geom_point() +

  labs(

    title = "Tendência das Vendas Mensais",

    x = "Mês",

    y = "Total de Vendas"

  )

Vendas Mensais por Vendedor

ggplot(vendas_mensais_vendedor,

       aes(x = mes,

           y = Total_Vendas_Mensais)) +

  geom_line() +

  geom_point() +

  facet_wrap(~ vendedor,

             scales = "free_y") +

  labs(

    title = "Vendas Mensais por Vendedor",

    x = "Mês",

    y = "Total de Vendas"

  )

Histograma das Vendas Diárias

ggplot(vendas,

       aes(x = venda_diaria)) +

  geom_histogram(bins = 20) +

  labs(

    title = "Distribuição das Vendas Diárias",

    x = "Venda Diária",

    y = "Frequência"

  )

Boxplot por Mês

ggplot(vendas,

       aes(x = factor(mes),

           y = venda_diaria)) +

  geom_boxplot() +

  labs(

    title = "Vendas Diárias por Mês",

    x = "Mês",

    y = "Venda Diária"

  )

Boxplot por Vendedor

ggplot(vendas,

       aes(x = vendedor,

           y = venda_diaria)) +

  geom_boxplot() +

  labs(

    title = "Distribuição das Vendas por Vendedor",

    x = "Vendedor",

    y = "Venda Diária"

  )

4. Folha de Pagamento - Março de 2024

vendas_marco <- vendas %>%

  filter(mes == 3)

comissao_marco <- vendas_marco %>%

  group_by(vendedor) %>%

  summarise(

    vendas_marco = sum(venda_diaria),

    comissao = vendas_marco * 0.05

  )

Verificar nomes das colunas

colnames(salarios)

## [1] "Número de Inscrição" "Nome"                "Sobrenome"          
## [4] "Setor"               "Cargo"               "Contrato"           
## [7] "Salario_base"

Comissão de março

comissao_marco <- vendas %>%
  filter(mes == 3) %>%
  group_by(vendedor) %>%
  summarise(
    vendas_marco = sum(venda_diaria),
    comissao = vendas_marco * 0.05,
    .groups = "drop"
  )

Renomeando para permitir o join

salarios <- salarios %>%
  rename(vendedor = Nome)

folha_pagamento <- salarios %>%
  left_join(comissao_marco, by = "vendedor") %>%
  mutate(
    comissao = ifelse(is.na(comissao), 0, comissao),
    FGTS = Salario_base * 0.08,
    INSS = Salario_base * 0.11,
    salario_final = Salario_base + comissao - FGTS - INSS
  )

kable(folha_pagamento, digits = 2)

Número de Inscrição	vendedor	Sobrenome	Setor	Cargo	Contrato	Salario_base	vendas_marco	comissao	FGTS	INSS	salario_final
101101	Nome1	Sobrenome1	Operação	Vendedor	2018-01-01	2000	NA	0	160	220	1620
101102	Nome2	Sobrenome2	Operação	Vendedor	2018-01-02	2000	NA	0	160	220	1620
201101	Nome14	Sobrenome14	Apoio	Aux Sev Gerais	2018-04-01	2000	NA	0	160	220	1620
301101	Nome18	Sobrenome18	Administrativo	Aux Administrativo	2018-04-01	2000	NA	0	160	220	1620
101103	Nome3	Sobrenome3	Operação	Vendedor	2018-08-01	2000	NA	0	160	220	1620
101104	Nome4	Sobrenome4	Operação	Vendedor	2019-10-01	2000	NA	0	160	220	1620
101105	Nome5	Sobrenome5	Operação	Vendedor	2019-10-01	2000	NA	0	160	220	1620
101106	Nome6	Sobrenome6	Operação	Vendedor	2019-10-01	2000	NA	0	160	220	1620
102111	Nome11	Sobrenome11	Operação	Supervisor	2019-10-01	2500	NA	0	200	275	2025
201102	Nome15	Sobrenome15	Apoio	Aux Sev Gerais	2019-10-01	2000	NA	0	160	220	1620
301102	Nome19	Sobrenome19	Administrativo	Aux Administrativo	2019-10-01	2000	NA	0	160	220	1620
301103	Nome20	Sobrenome20	Administrativo	Aux Administrativo	2019-10-01	2000	NA	0	160	220	1620
302104	Nome 21	Sobrenome 21	Administrativo	Supervisor	2019-10-01	3000	NA	0	240	330	2430
303105	Nome 22	Sobrenome 22	Administrativo	Gerente	2019-10-01	4000	NA	0	320	440	3240
101107	Nome7	Sobrenome7	Operação	Vendedor	2020-03-01	2000	NA	0	160	220	1620
101108	Nome8	Sobrenome8	Operação	Vendedor	2020-03-01	2000	NA	0	160	220	1620
201103	Nome16	Sobrenome16	Apoio	Aux Sev Gerais	2020-03-01	2000	NA	0	160	220	1620
202104	Nome17	Sobrenome17	Apoio	Supervisor	2020-03-01	2500	NA	0	200	275	2025
101109	Nome9	Sobrenome9	Operação	Vendedor	2022-05-01	2000	NA	0	160	220	1620
101110	Nome10	Sobrenome10	Operação	Vendedor	2022-05-01	2000	NA	0	160	220	1620
102112	Nome12	Sobrenome12	Operação	Supervisor	2022-05-01	2500	NA	0	200	275	2025
103113	Nome13	Sobrenome13	Operação	Gerente	2022-05-01	4000	NA	0	320	440	3240

Conclusão

A análise exploratória permitiu identificar diferenças de desempenho entre vendedores, padrões de vendas ao longo dos meses e a distribuição dos valores vendidos diariamente. Os gráficos auxiliaram na visualização dos resultados, enquanto o cálculo da folha de pagamento demonstrou a aplicação prática da análise de dados na gestão empresarial.