Bem-vindo ao meu projeto de análise de dados focado em vendas no setor agrícola! Este repositório demonstra habilidades em coleta, limpeza, transformação, análise exploratória (EDA) e visualização de dados. O objetivo é extrair insights valiosos de um conjunto de dados de vendas agrícolas, simulando um cenário real de negócio.

• ✅ Limpeza e Pré-processamento: Tratamento de dados inconsistentes para garantir a qualidade da análise.
• 📈 Análise de Desempenho: Avaliação de performance por produtos e vendedores.
• 📅 Análise Sazonal: Identificação de padrões de vendas ao longo do tempo.
• 📦 Correlação de Estoque: Análise da relação entre níveis de estoque e volume de vendas.
• 📊 Visualização de Dados: Criação de dashboards interativos e relatórios automatizados para suportar a tomada de decisão.

O projeto utiliza o arquivo banco_agro_projeto.csv, que contém informações sobre produtos agrícolas, estoque, vendas, vendedores e datas.

Observação: O dataset poderia ser em formato .xlsx ou até mesmo um banco de dados (.db). A abordagem inicial de extração mudaria, mas os processos de tratamento e análise permaneceriam os mesmos.

• Linguagem: Python
• Bibliotecas de Análise: Pandas, NumPy
• Bibliotecas de Visualização: Matplotlib, Seaborn, Plotly
• Análise Exploratória Automatizada: YData-Profiling
• Interface Web Interativa: Streamlit
• Machine Learning: Scikit-Learn
• BI e Dashboard: Power BI / Looker Studio / Tableau

📁 Projeto/
│
├── 📄 app.py                     # Aplicação principal em Streamlit
├── 📄 calculations.ipynb         # Notebook com extração e cálculos analíticos
├── 📄 clear.ipynb                # Notebook responsável pela limpeza e tratamento dos dados
├── 📄 Guia.md                    # Guia detalhado com todos os passos do projeto (ETL e análise)
├── 📄 README.md                  # Documento principal explicando o projeto
├── 📄 requirements.txt           # Lista de dependências do projeto
├── 📄 workflow_n8n.json          # Workflow de integração com o n8n
│
├── 📁 data/                      
│   └── banco_agro_projeto.csv
│   └── banco_agro_projeto_limpo.csv
│
├── 📁 venv/                      
│
├── 📁 __pycache__/               
│
├── 📁 .ipynb_checkpoints/        
│
└── 📁 .vscode/                  

1. 📂 Dataset — Permite a visualização e aplicação de filtros nos dados, com opção de download em formato .xlsx.
2. 📊 Insights — Apresenta métricas e gráficos interativos para análise de desempenho.
3. 🤖 Chatbot (IA + N8N) — Oferece respostas automáticas a perguntas baseadas no conjunto de dados.
4. 🧠 ML (Machine Learning) — Implementa um modelo de regressão linear para previsão de vendas.
5. 📋 Relatório Automático (YData-Profiling) — Gera e exibe uma análise exploratória completa dos dados diretamente no navegador.
6. ℹ️ Sobre — Contém informações sobre o projeto e dados para contato.

• No Markdonw Guia.md terá uma parte específica falando sobre esse tema, mais dúvidas de como baixar entre em contato pelas minha redes socias, abraço.

• Aprimorar os modelos de previsão de vendas com algoritmos mais avançados.
• Integrar os dashboards do Power BI diretamente na aplicação via API.
• Automatizar a geração de relatórios diários utilizando N8N.

📧 Email: [email protected]
💼 LinkedIn: https://www.linkedin.com/in/luis-filipe-moreira-356427381/