Análise de Precificação de Cafés em Supermercados

Projeto de Analista de Dados/BI voltado à comparação de preços, sortimento e posicionamento de produtos de café em supermercados. A proposta é transformar dados de prateleira em indicadores de apoio à decisão comercial, com foco em precificação, mix de fabricantes e comparação justa entre embalagens de tamanhos diferentes.

Problema de negócio

Comparar preços de produtos de café apenas pelo valor de prateleira pode gerar conclusões incorretas. Um item de 50g pode parecer barato quando comparado a um pacote de 500g, mas ser muito mais caro quando o preço é convertido para uma mesma quantidade.

Este projeto responde perguntas como:

• Qual loja apresenta maior ou menor preço mediano?
• O menor preço por embalagem também representa menor preço por quantidade?
• Como o mix de fabricantes muda entre supermercados?
• Quais fabricantes aparecem em faixas mais premium ou mais acessíveis?
• Como embalagens pequenas, cápsulas, cafés solúveis e porções individuais distorcem a leitura de preço?

Objetivo

Construir uma análise de apoio à precificação para cafés vendidos em supermercados, usando Python para preparar os dados, gerar indicadores, criar visualizações e consolidar insights de negócio.

O projeto foi posicionado como um case de Analista de Dados/BI, com foco em:

• preparação e padronização de dados;
• criação de indicadores de preço;
• análise exploratória;
• visualizações para tomada de decisão;
• comunicação executiva dos resultados.

Dados

A base contém produtos de café coletados em lojas como Mambo, St Marche e Pão de Açúcar. Os dados brutos ficam na pasta base/, mas essa pasta está preparada para não versionar arquivos .csv e .xlsx no GitHub.

Isso evita publicar dados brutos quando eles não puderem ser compartilhados. Para permitir a publicação do dashboard, o projeto mantém uma base processada e reduzida em data/processed/base_cafe_normalizada_peso.csv, contendo apenas os campos necessários para os indicadores e gráficos.

Os resultados derivados do projeto ficam em:

• data/processed/: base processada usada pelo dashboard publicado;
• relatorios/tabelas/: tabelas consolidadas da análise;
• relatorios/graficos/: gráficos exportados;
• relatorios/notas_analise.md: notas detalhadas da análise;
• relatorios/relatorio_executivo.md: leitura de negócio para apresentação.

Metodologia

1. Coleta e consolidação

   • reunião dos produtos por loja;
   • padronização de nomes de lojas e fabricantes;
   • tratamento de preços e disponibilidade.

2. Tratamento e enriquecimento

   • extração do peso total em gramas;
   • extração da quantidade de unidades quando disponível;
   • classificação do tipo de produto;
   • classificação por faixa de peso;
   • cálculo de preço por 100g, 500g e unidade;
   • consolidação de fabricantes equivalentes.

3. Análise

   • preço médio, mediano, mínimo e máximo por loja;
   • distribuição de preços e outliers;
   • comparação do preço bruto contra preço normalizado por 500g;
   • comparação por tipo de produto;
   • análise de mix de fabricantes;
   • análise de preço por fabricante.

4. Visualização

   • gráficos estáticos exportados em PNG;
   • dashboard em Streamlit para exploração interativa.

Principais insights

• St Marche possui o maior preço médio e mediano no preço bruto, sugerindo maior presença de produtos premium.
• Pão de Açúcar tem o menor preço mediano por item, mas passa a ter o maior preço mediano quando todo o mix é normalizado por 500g; essa leitura reflete efeito de sortimento.
• Itens pequenos, como cápsulas e porções individuais, elevam muito o preço proporcional por quantidade e devem ser analisados também por preço por unidade.
• Para comparar cafés tradicionais, use tipo_produto = tradicional e a faixa de 251g a 500g; nesse recorte, Pão de Açúcar aparece mais competitivo.
• O mix de fabricantes influencia diretamente a leitura de posicionamento de preço de cada loja.

Estrutura

.
├── app.py                         # Dashboard interativo em Streamlit
├── base/                          # Dados brutos locais, não versionados
├── data/
│   └── processed/                 # Base processada para o dashboard
├── notebooks/                     # Análises exploratórias
├── relatorios/
│   ├── graficos/                  # Gráficos exportados
│   ├── tabelas/                   # Indicadores consolidados
│   ├── notas_analise.md           # Notas detalhadas da análise
│   └── relatorio.md               # Resumo executivo
├── src/
│   ├── config.py                  # Caminhos e funções de carga
│   ├── features.py                # Extração de peso, unidades e tipo de produto
│   ├── processar_dados.py         # Pipeline para regenerar base e tabelas
│   ├── graficos.py                # Geração dos gráficos
│   └── utils.py                   # Funções auxiliares
├── environment.yml
└── README.md