Projeto 3 Fase - Análise de Dados

Prof: Adriano

Carregando os pacotes

library(readxl)     # Para ler arquivos originais do Excel (.xlsx)
library(dplyr)      # Para manipulação, filtros e cruzamento de dados
library(ggplot2)    # Para criação de todos os gráficos
library(knitr)      # Para gerar tabelas limpas no documento
library(kableExtra) # Para deixar as tabelas bonitas em formato HTML
library(lubridate)  # Para gerenciamento de formatos de datas
library(forecast)   # Para o modelo estatístico de previsão de vendas

##1. Carregamento e Preparação dos Dados

vendas_raw   <- read_excel("Vendas2024.xlsx", sheet = "Sheet1")
salarios_raw <- read_excel("Salario_base2024.xlsx", sheet = "Funcionarios")

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

salarios_limpo <- salarios_raw %>%
  rename(vendedor = `Número de Inscrição`) %>%
  mutate(
    vendedor = as.factor(vendedor),
    Salario_base = as.numeric(Salario_base)
  )

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.

2.1. Calculo 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 Gerais de Desempenho por Vendedor", digits = 2)

Indicadores Gerais 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_geral <- 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_geral, 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 = 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
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. Visualização de Dados com ggplot2

3.1 Gráfico de barras mostrando a venda total para cada vendedor.

ggplot(estatisticas_por_vendedor, aes(x = reorder(vendedor, -Venda_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$)") +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$ "))

3.2. Gráfico de linhas exibindo a tendência geral das vendas mensais da empresa.

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

ggplot(venda_mensal_geral, aes(x = Data_Eixo, y = Venda_Mensal_Total)) +
  geom_line(color = "darkblue", size = 1) +
  geom_point(color = "red", size = 2) +
  theme_minimal() +
  labs(title = "Tendência Histórica de Vendas Mensais da Empresa", x = "Período", y = "Vendas Totais Gerais (R$)") +
  scale_x_date(date_labels = "%m/%Y", date_breaks = "6 months") +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$ "))

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

3.3. Gráficos de linhas facetados por vendedor com escalas do eixo Y independentes.

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

ggplot(venda_mensal_por_vendedor, aes(x = Data_Eixo, y = Venda_Mensal, color = vendedor)) +
  geom_line(size = 0.8, show.legend = FALSE) +
  geom_point(size = 1.2, show.legend = FALSE) +
  facet_wrap(~vendedor, scales = "free_y") +
  theme_light() +
  labs(title = "Evolução de Vendas Mensais por Funcionário (Eixo Y Livre)", x = "Período", y = "Faturamento Mensal (R$)") +
  scale_x_date(date_labels = "%m/%y")

3.4. Histograma para visualizar a distribuição dos valores da venda diaria.

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

3.5. Boxplot das Vendas por Mês.

ggplot(vendas_limpo, aes(x = factor(mes), y = venda_diaria, fill = factor(mes))) +
  geom_boxplot(show.legend = FALSE) +
  theme_minimal() +
  labs(title = "Dispersão e Variabilidade das Vendas Diárias por Mês", x = "Mês", y = "Valores de Venda Diária (R$)") +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$ "))

3.6. Boxplot das Vendas por Vendedor

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
101101	Nome1	Sobrenome1	2000	37178.72	1858.94	308.71	424.48	3125.74
101102	Nome2	Sobrenome2	2000	46217.34	2310.87	344.87	474.20	3491.80
101103	Nome3	Sobrenome3	2000	44313.81	2215.69	337.26	463.73	3414.71
101104	Nome4	Sobrenome4	2000	48342.67	2417.13	353.37	485.88	3577.88
101105	Nome5	Sobrenome5	2000	55186.72	2759.34	380.75	523.53	3855.06
101106	Nome6	Sobrenome6	2000	43376.99	2168.85	333.51	458.57	3376.77
101107	Nome7	Sobrenome7	2000	49625.06	2481.25	358.50	492.94	3629.81
101108	Nome8	Sobrenome8	2000	37490.39	1874.52	309.96	426.20	3138.36
101109	Nome9	Sobrenome9	2000	33693.06	1684.65	294.77	405.31	2984.57
101110	Nome10	Sobrenome10	2000	41738.19	2086.91	326.95	449.56	3310.40

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 (.txt).

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)
}

DESAFIO FINAL - Previsão de Vendas (Próximos 6 Meses).

venda_mensal_geral <- venda_mensal_geral %>% arrange(ano, mes)

serie_vendas_totais <- ts(venda_mensal_geral$Venda_Mensal_Total, start = c(2018, 1), frequency = 12)

modelo_arima_vendas <- auto.arima(serie_vendas_totais)

previsao_futura_6m <- forecast(modelo_arima_vendas, h = 6)

plot(previsao_futura_6m, main = "Previsão de Faturamento Comercial - Próximos 6 Meses", xlab = "Anos", ylab = "Volume Total de Vendas (R$)", col = "blue", fcol = "red")

kable(as.data.frame(previsao_futura_6m), caption = "Projeção Volumétrica do Cenário Futuro")

Projeção Volumétrica do Cenário Futuro
	Point Forecast	Lo 80	Hi 80	Lo 95	Hi 95
Apr 2024	640477.5	576728.0	704227.1	542981.0	737974.0
May 2024	771324.3	692254.1	850394.5	650396.8	892251.7
Jun 2024	756612.1	670413.6	842810.7	624782.9	888441.4
Jul 2024	679514.9	589712.5	769317.3	542173.9	816855.9
Aug 2024	678775.7	587091.5	770459.8	538556.9	818994.5
Sep 2024	670983.0	578301.5	763664.5	529238.9	812727.1

Projeto Análise de Dados

Centro Universitário Celso Lisboa

Fabricio Bussi, Romulo Pessanha e Tiago Oliveira

2026-06-14