Análise de Dados

Fase 3 Professor: Adriano Lauro Alunos: Murilo Lima/ Rafael Antônio Turma: Eng. Civil 4° período Dados Descritivos do Trabalho

Carregando os pacotes

library(readxl)   
library(dplyr)    
library(ggplot2)  
library(knitr)    
library(kableExtra)
library(lubridate)  
library(forecast) 
library(readxl)
Salario <- read_excel("Salario_base.xlsx")

library(readxl)
Vendas <- read_excel("Vendas2024 (1).xlsx")

##1. Carregamento e Preparação dos Dados

vendas_limpo <- Vendas %>%
  mutate(
    vendedor = as.factor(vendedor),
    dias = as.Date(dias),
    venda_diaria = as.numeric(venda_diaria)
  ) %>%
  filter(!is.na(venda_diaria))

salarios_limpo <- Salario %>%
  rename(vendedor = 'Número de Inscrição') %>%
  mutate(
    vendedor = as.factor(vendedor)
  )

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

2. Análise Estatística com dplyr.

2.1Calculo total de venda, média diária, mediana diária, o desvio padrão e o número total de registros de vendas para cada vendedor.

estatisticas_por_vendedor <- vendas_limpo %>%
  group_by(vendedor) %>%
  summarise(
    Venda_Total = sum(venda_diaria),
    Media_Diaria = mean(venda_diaria),
    Mediana_Diaria = median(venda_diaria),
    Desvio_Padrao = sd(venda_diaria),
    Total_Registros = n()
  ) %>%
  arrange(desc(Venda_Total))
kable(estatisticas_por_vendedor, caption = "Indicadores  de Desempenho por Vendedor", digits = 2)
Indicadores de Desempenho por Vendedor
vendedor Venda_Total 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

2.2. Venda total mensal da empresa.

venda_mensal_total <- vendas_limpo %>%
  group_by(ano, mes) %>%
  summarise(venda_mensal_total = sum(venda_diaria)) %>%
  arrange(ano, mes)
## `summarise()` has regrouped the output.
## ℹ Summaries were computed grouped by ano and mes.
## ℹ Output is grouped by ano.
## ℹ Use `summarise(.groups = "drop_last")` to silence this message.
## ℹ Use `summarise(.by = c(ano, mes))` for per-operation grouping
##   (`?dplyr::dplyr_by`) instead.
kable(venda_mensal_total, caption = "Faturamento Mensal Geral da Organização", digits = 2)
Faturamento Mensal Geral da Organização
ano mes venda_mensal_total
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

2.3. Venda mensal por vendendor.

venda_mensal_por_vendedor <- vendas_limpo %>%
  group_by(vendedor, ano, mes) %>%
  summarise(venda_mensal_por_vendedor = sum(venda_diaria)) %>%
  arrange(vendedor , ano, mes)
## `summarise()` has regrouped the output.
## ℹ Summaries were computed grouped by vendedor, ano, and mes.
## ℹ Output is grouped by vendedor and ano.
## ℹ Use `summarise(.groups = "drop_last")` to silence this message.
## ℹ Use `summarise(.by = c(vendedor, ano, mes))` for per-operation grouping
##   (`?dplyr::dplyr_by`) instead.
venda_mensal_por_vendedor %>% 
  head(15) %>% 
  kable(caption = "Demonstrativo das Vendas Mensais por Vendedor (Amostra)", digits = 2)
Demonstrativo das Vendas Mensais por Vendedor (Amostra)
vendedor ano mes venda_mensal_por_vendedor
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

3. Visualizando Dados com ggplot2

3.1 Gráfico de barras: venda total para cada vendedor.

ggplot(estatisticas_por_vendedor, aes(x = reorder(vendedor, venda_mensal_total), y = Venda_Total, fill = vendedor)) +
  geom_col(show.legend = FALSE) +
  theme_minimal() +
  labs(title = "Faturamento Total Acumulado por Vendedor", x = "Vendedor", y = "Total Vendido (R$)") +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$ "))
## Warning in split.default(x = seq_len(nrow(x)), f = f, drop = drop, ...): data
## length is not a multiple of split variable
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA

3.2. Histograma da distribuição dos valores da venda diaria.

ggplot(vendas_limpo, aes(x = venda_diaria)) +
  geom_histogram(bins = 8, fill = "darkblue", color = "white", alpha = 0.8) +
  theme_minimal() +
  labs(title = "Distribuição de Frequência das Vendas Diárias", x = "Valor da Venda (R$)", y = "Frequência") +
 scale_x_continuous(labels = scales::dollar_format(prefix = "R$ "))

3.3. Boxplot das Vendas por Mês.

ggplot(vendas_limpo, aes(x = vendedor, y = venda_diaria, fill = vendedor)) +
  geom_boxplot(show.legend = FALSE) +
  theme_minimal() +
  labs(title = "Análise de Outliers e Consistência de Vendas por Vendedor", x = "Vendedor", y = "Valores de Venda Diária (R$)") +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$ "))

4 Cálculo Salarial Real de Março de 2024

Regras de Negócio:Comissão: \(5\%\) sobre as vendas totais do mês.Desconto FGTS: \(8\%\)Desconto INSS: \(11\%\)Fórmula: \(\text{Salário Líquido} = \text{Salário Base} + \text{Comissão} - \text{FGTS} - \text{INSS}\)

vendas_marco_2024 <- vendas_limpo %>%
  filter(ano == 2024, mes == 3) %>%
  group_by(vendedor) %>%
  summarise(Venda_Total_Mes = sum(venda_diaria))

folha_marco_final <- vendas_marco_2024 %>%
  left_join(salarios_limpo, by = "vendedor") %>%
  filter(Cargo == "Vendedor") %>%
  mutate(
    Comissao = Venda_Total_Mes * 0.05,
    FGTS = (Salario_base + Comissao) * 0.08,
    INSS = (Salario_base + Comissao) * 0.11,
    Salario_Liquido = Salario_base + Comissao - FGTS - INSS
  ) %>%
  select(vendedor, Nome, Sobrenome, Salario_base, Venda_Total_Mes, Comissao, FGTS, INSS, Salario_Liquido)

kable(folha_marco_final, caption = "Folha de Pagamento com Dados Reais - Março/2024", digits = 2)
Folha de Pagamento com Dados Reais - Março/2024
vendedor Nome Sobrenome Salario_base Venda_Total_Mes Comissao FGTS INSS Salario_Liquido

Desafio 1 - Função Dinâmica para Qualquer Mês.

gerar_folha_dinamica_corporativa <- function(dados_vendas, dados_salarios, ano_alvo, mes_alvo) {
  dados_vendas %>%
    filter(ano == ano_alvo, mes == mes_alvo) %>%
    group_by(vendedor) %>%
    summarise(Venda_Total_Mes = sum(venda_diaria)) %>%
    left_join(dados_salarios, by = "vendedor") %>%
    filter(Cargo == "Vendedor") %>%
    mutate(
      Ano = ano_alvo, Mes = mes_alvo,
      Comissao = Venda_Total_Mes * 0.05,
      FGTS = (Salario_base + Comissao) * 0.08,
      INSS = (Salario_base + Comissao) * 0.11,
      Salario_Liquido = Salario_base + Comissao - FGTS - INSS
    ) %>%
    select(vendedor, Nome, Ano, Mes, Salario_base, Venda_Total_Mes, Comissao, FGTS, INSS, Salario_Liquido)
}

Desafio 2 - Geração Automatizada de Holerites

if(!dir.exists("recibos_faturamento_2024")) dir.create("recibos_faturamento_2024")

for(row in 1:nrow(folha_marco_final)) {
  recibo <- folha_marco_final[row, ]
  
  estrutura_texto <- paste0(
    "==================================================\n",
    "               BILHETE DE PAGAMENTO               \n",
    "==================================================\n",
    "Funcionario: ", recibo$Nome, " ", recibo$Sobrenome, "\n",
    "Codigo Inscricao: ", recibo$vendedor, "     Competencia: 03/2024\n",
    "--------------------------------------------------\n",
    " Proventos:\n",
    "   (+) Salario Base Real: R$ ", round(recibo$Salario_base, 2), "\n",
    "   (+) Comissao (5%):     R$ ", round(recibo$Comissao, 2), " (Vendas: R$ ", round(recibo$Venda_Total_Mes, 2), ")\n",
    " Descontos:\n",
    "   (-) Retencao FGTS (8%):R$ ", round(recibo$FGTS, 2), "\n",
    "   (-) Retencao INSS (11%):R$ ", round(recibo$INSS, 2), "\n",
    "--------------------------------------------------\n",
    " TOTAL LIQUIDO DISPONIVEL: R$ ", round(recibo$Salario_Liquido, 2), "\n",
    "==================================================\n"
  )
  
  arquivo_saida <- paste0("recibos_faturamento_2024/recibo_vendedor_", recibo$vendedor, ".txt")
  writeLines(estrutura_texto, arquivo_saida)
}