Pizzaria - SQL

Projeto de Análise Exploratória dos Dados usando o Pizza Data Set "Order Detail", disponível no Kaggle: Pizza Data Set - Order Detail.

Objetivo

O objetivo desta análise é responder algumas perguntas de negócios utilizando SQL, a partir dos dados relacionados a pedidos de pizza, tipos de pizza, tamanhos e preços.

Estrutura do Projeto

1. Descrever as Tabelas: Analisar a estrutura geral das tabelas, identificando o número de registros e colunas.
2. Identificação de Valores Nulos: Localizar possíveis valores faltantes nos dados.
3. Identificação de Duplicatas: Detectar registros duplicados que possam influenciar na análise.
4. Distribuição de Valores Categóricos: Analisar a distribuição de categorias, como tipos e tamanhos de pizza.
5. Responder Perguntas de Negócio: Executar consultas SQL para responder a perguntas específicas, como pizzas mais vendidas, horários de pico, receita por categoria, etc.

Análise Exploratória

Contar o número de linhas e colunas de cada tabela:

Obter a estatística descritiva das colunas numéricas (como quantity e price):

Identificação de Valores Nulos:

Identificação de Duplicatas:

Identificar registros duplicados na tabela orders:

Identificar registros duplicados na tabela pizzas:

Contar a Distribuição de Valores Categóricos:

Perguntas de Negócio

Análise de Vendas

Qual foi o total de vendas em cada dia?

Quais são os horários de pico de pedidos?

Quais são as pizzas mais vendidas (em quantidade)?

Análise de Receita

Qual é a receita total gerada por cada tipo de pizza?

Quais categorias de pizzas geraram mais receita?

Análise de Desempenho por Tamanho

Qual tamanho de pizza é mais popular?

Qual tamanho de pizza gerou mais receita?

Análise de Ingredientes e Categorias

Quais são os ingredientes mais comuns nas pizzas mais vendidas?

Quais categorias de pizzas têm maior demanda?

Análise de Performance de Pedidos

Qual foi o pedido com maior valor total?

Quantos pedidos foram feitos no Ano?

Conclusão

Através da análise, observamos que:

1. Produtos Populares: Certos itens de pizza, como as variedades de pepperoni e margherita, apresentam um volume de vendas significativamente maior em comparação com outras opções. Isso pode indicar uma preferência consistente entre os clientes.

2. Horários de Pico dos Pedidos: Identificamos que os horários de pico para pedidos ocorrem principalmente às 13:00 e entre 18:00 e 19:00. Esses períodos são críticos para o planejamento de recursos e operações, permitindo a otimização do atendimento e a preparação para a alta demanda.

3. Tamanho das Pizzas: A análise dos tamanhos das pizzas revelou que as opções médias e grandes são mais populares, sugerindo que os clientes tendem a preferir tamanhos maiores, possivelmente para atender a grupos maiores ou para aproveitar melhor o custo-benefício.

Lições Aprendidas

1. Utilização Eficiente de SQL: A habilidade de utilizar SQL para realizar consultas complexas e manipulações de dados foi essencial para explorar o dataset de forma eficiente. Aprendi a utilizar funções agregadas, joins e subconsultas para obter as informações desejadas.

2. Interpretação de Dados: A análise dos resultados nos ensinou a interpretar os dados em um contexto mais amplo. Compreender as tendências e padrões observados pode levar a decisões mais informadas e estratégias de marketing mais eficazes.

3. Análise de Tendências Temporais: Identificar padrões temporais nos ajudou a entender melhor o comportamento dos clientes e a otimizar operações de negócios para atender à demanda durante períodos de pico.

4. Preparação para Análises Futuras: Este projeto destacou a importância de uma boa preparação e organização dos dados para facilitar futuras análises. A documentação e estruturação dos dados são fundamentais para projetos de análise mais avançados.