Análise de Vendas de Supermercado

Visão Geral

Análise Exploratória de Dados (EDA) completa sobre vendas de supermercado, identificando padrões de consumo, sazonalidade e gerando insights estratégicos.

Contexto

Projeto do Módulo 13 — Estatística do curso Profissão: Cientista de Dados (EBAC), com foco em estatística descritiva e visualização profissional de dados.

Perguntas Respondidas

Quais categorias de produto têm maior volume de vendas?
Existe sazonalidade nos padrões de compra?
Qual o perfil dos clientes por filial?
Quais horários concentram mais transações?

Fluxo de Análise

Carga dos dados
      │
      ▼
Inspeção inicial
(shape, dtypes, nulos, duplicatas)
      │
      ▼
Estatísticas descritivas
(média, mediana, desvio padrão, quartis)
      │
      ▼
Análise univariada
(distribuições, histogramas, boxplots)
      │
      ▼
Análise bivariada
(correlações, vendas por categoria/filial/horário)
      │
      ▼
Insights & Conclusões

Implementação

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("data/supermarket_sales.csv")

# Estatísticas descritivas
print(df.describe())

# Vendas por categoria
df.groupby("Product line")["Total"].sum() \
  .sort_values() \
  .plot(kind="barh", figsize=(10, 6), color="teal")

plt.title("Receita Total por Categoria de Produto")
plt.tight_layout()
plt.show()

# Correlação entre variáveis numéricas
sns.heatmap(df.select_dtypes("number").corr(), annot=True, cmap="coolwarm")
plt.show()

Stack Utilizada

Python 3.x — linguagem principal
Pandas — manipulação e análise dos dados
Matplotlib — gráficos e visualizações
Seaborn — visualizações estatísticas
Jupyter Notebook — ambiente de análise interativa

Evoluções Futuras

[ ] Dashboard interativo com Streamlit
[ ] Análise de séries temporais de vendas
[ ] Segmentação de clientes com K-Means