📊 Sobre o Projeto

Este repositório traz uma análise exploratória completa sobre atrasos de voos nos EUA, utilizando técnicas de EDA (Exploratory Data Analysis) para entender padrões, tendências e fatores que influenciam atrasos.

O foco foi transformar um grande volume de dados brutos em insights acionáveis, avaliando companhias aéreas, rotas, frequência de voos e proporção de atrasos.

---

🔎 Principais Insights Obtidos

Durante a análise, conseguimos responder perguntas importantes sobre o comportamento dos atrasos. Aqui estão os destaques:

---

📌 Qual é o tempo médio de atraso das companhias?

A média geral encontrada foi de 6.37 minutos por voo.

Companhias com média acima desse valor incluem:
9E, B6, EV, F9, FL, MQ, OO, WN e YV.

---

📌 Quais companhias realmente mais atrasam?

Existem três formas de analisar isso, e todas foram exploradas:

1️⃣ Em quantidade absoluta de atrasos

• B6 — 17.588 atrasos
• UA — 16.717 atrasos
• EV — 15.498 atrasos

Essas são as que mais atrasam em números totais.

---

2️⃣ Proporcionalmente (percentual dos voos que atrasam)

• FL — 61,2% dos voos atrasam
• YV — 56,8%
• F9 — 56,2%

Essas são as "piores" no sentido de confiabilidade.

---

3️⃣ Entre as grandes companhias

• EV — 48% dos voos atrasam (pior entre as grandes)
• DL — 33,5% (uma das mais pontuais)

---

📌 As rotas influenciam nos atrasos?

Sim! As rotas mostraram ser um fator relevante.

As rotas mais problemáticas foram:

• EWR → GSO — 212 min de atraso médio
• EWR → CAE — 77.86 min
• EWR → CMH — 68.75 min

Ou seja, voos saindo de EWR (Newark) apresentaram um padrão claro de maiores atrasos.

---

📈 Como chegamos a essas conclusões?

Utilizamos:

• Agrupamentos por companhia aérea
• Estatísticas descritivas (médias, medianas e percentuais)
• Análise de volume total de voos
• Cálculo de atrasos proporcionais (atrasos ÷ total de voos)
• Identificação das rotas com maior média de atraso

O objetivo foi observar tanto o “todo” quanto a performance individual de cada companhia, evitando conclusões superficiais baseadas apenas em números absolutos.

---

🛠️ Tecnologias utilizadas

---

📂 Estrutura do Repositório

📁 data/ → Dataset utilizado 📁 notebooks/ → Análises e visualizações 📁 src/ → Scripts de limpeza e tratamento README.html → Este arquivo

---

✈️ Conclusão

Este projeto mostrou que atrasos não acontecem por acaso eles seguem padrões claros ligados a companhia, volume de voos e principalmente rotas específicas.
A análise abriu caminho para estudos mais avançados, como previsões de atraso utilizando modelos de machine learning.