🛍️ AluraStoreBR Projeto desenvolvido como parte do Challenge de Data Science da Alura. O objetivo é realizar uma análise exploratória dos dados de vendas de quatro lojas online, gerar visualizações, calcular métricas importantes e analisar padrões de comportamento dos clientes.
📦 Sobre o Projeto Neste projeto, realizamos:
Análise de frete médio por loja.
Identificação da categoria de produto mais vendida.
Análises de avaliação dos clientes.
Visualização da distribuição geográfica das vendas utilizando latitude e longitude.
Geração de gráficos de dispersão e mapas de calor.
Exploração de padrões de vendas por localização.
🛠️ Tecnologias utilizadas Python
Pandas
Seaborn
Matplotlib
Folium (opcional para mapa interativo)
Google Colab
📚 Base de Dados Os dados foram fornecidos pela Alura e estão disponíveis em CSV:
Loja 1: loja_1.csv
Loja 2: loja_2.csv
Loja 3: loja_3.csv
Loja 4: loja_4.csv
📊 Principais Análises 📦 Frete Médio por Loja Loja 1: R$ 34,69
Loja 2: R$ 33,62
Loja 3: R$ 33,07
Loja 4: R$ 31,27
🛒 Categoria Mais Vendida A categoria com maior número de vendas foi identificada através da contagem de ocorrências em todas as lojas combinadas.
📍 Distribuição Geográfica Utilizamos gráficos de dispersão e mapas de calor para visualizar onde as vendas acontecem, e observamos que:
As vendas estão concentradas em certas regiões específicas.
Algumas lojas possuem maior volume de vendas em determinadas áreas.
⭐ Avaliação dos Clientes Avaliações analisadas para cada loja.
Distribuição das notas de 1 a 5 estrelas.
📈 Visualizações Geradas Gráficos de dispersão (scatterplot) para localização das vendas.
Heatmaps (kdeplot) para concentração de vendas por região.
Gráficos de barras para avaliação média e quantidade de vendas por categoria.
🚀 Como Executar Clone o repositório:
bash Copiar Editar git clone (https://github.com/GeisilaCosta/AluraStore.git) Instale as bibliotecas necessárias:
bash Copiar Editar pip install pandas matplotlib seaborn folium Execute o notebook AluraStoreBR.ipynb no Google Colab ou Jupyter Notebook.
💡 Ideias Futuras Análise temporal das vendas (por mês ou estação do ano).
Modelos preditivos para estimar vendas futuras.
Comparação de desempenho entre lojas com técnicas de Machine Learning.