Este projeto tem como objetivo aplicar técnicas de classificação ABC-XYZ, fundamentais para a gestão de estoques, utilizando um conjunto de dados sintético extraído do Kaggle.

O fluxo do projeto abrange desde a Análise Exploratória de Dados (EDA), passando pela validação das informações, até a classificação integrada ABC-XYZ, empregando análises avançadas em SQL. Para isso, são utilizadas diversas técnicas, como Joins, Pivotagem de tabelas, Window Functions Funções Agregadoras, Condicionais e Funções Estatísticas, permitindo uma avaliação aprofundada dos dados.

Além da aplicação técnica, o projeto se fundamenta no entendimento do problema de negócio, com foco no Supply Chain, embora seus conceitos possam ser aproveitados em diversos outros setores.

Ao final das análises, é possível obter uma visão macro dos produtos mais críticos, tanto pela influência no faturamento quanto pela demanda mensal, identificando aqueles que são constantemente requisitados e essenciais para o planejamento estratégico.

Este projeto tem como objetivo realizar o pré-processamento e tratamento de uma base de dados financeiros, com o foco em corrigir inconsistências e padronizar os dados para análises confiáveis e eficientes. A base foi importada de um arquivo CSV, processada e transformada no SQL Server para a remoção de caracteres indesejados, espaços extras e para ajustes nos tipos de dados. Em seguida, a base tratada foi exportada para um XLSX e também para um TXT além de ser integrada ao Power BI, potencializando o processo de obtenção de insights.

Projeto realizado com SQL Server priorizou a integridade e qualidade dos dados, utilizando técnicas avançadas para separar, manipular e identificar inconsistências com SQL dinâmico. A segurança foi reforçada com BEGIN TRAN em mudanças críticas, preservando a integridade dos dados. Tratou-se inconsistências com correlações e condicionais, excluindo apenas 178 linhas irrelevantes, mantendo mais de 7 mil registros essenciais. Essa abordagem estratégica favoreceu análises completas, garantindo a riqueza informacional. Um arquivo changelog monitorou as ações, promovendo qualidade e controle contínuos.

Esse projeto faz parte do 8 Week SQL Challenge disponibilizado pelo Data With Danny. 

Danny adora comida japonesa e, no início de 2021, decidiu abrir o Danny's Diner, onde vende seus três pratos favoritos: sushi, curry e ramen. Para administrar melhor o restaurante, ele coletou dados nos primeiros meses de operação e agora precisa de ajuda para analisar esses dados. Danny quer entender os padrões de visita dos clientes, quanto eles gastam e quais itens do cardápio são mais populares. Essas informações o ajudarão a oferecer uma experiência mais personalizada e a decidir se deve expandir o programa de fidelidade existente.

Ele compartilhou três conjuntos de dados essenciais: sales, menu e members, e espera que esses exemplos sejam suficientes para que você escreva consultas SQL funcionais. Para mais detalhes sobre o projeto e as observações, você pode encontrá-las no GitHub clicando em "Saiba mais".

Projeto de análise de vendas da MARKETX, abrangendo desde a extração dos dados até o tratamento, validação e análise. Durante o processo, foram realizadas verificações de inconsistências, ajustes e validações importantes para garantir a qualidade dos dados. Ao final, obtivemos uma visão geral do desempenho da empresa, incluindo:

• Faturamento total

• Total de unidades vendidas

• Principais vendedores

• Desempenho por equipe de vendas (canais)

Além disso, foi realizada uma Análise ABC para identificar os produtos críticos que mais impactam o faturamento, utilizando o conceito de Pareto (80/20) — focando nos itens que representam a maior parcela da receita.

Este projeto consiste em um processo de ETL (Extração, Transformação e Carga) utilizando SQL Server sobre dados de uma locadora de veículos. Os dados são originalmente extraídos de planilhas Excel, tratados e carregados em um banco relacional para posterior análise.

Após a carga dos dados tratados, foram criadas views específicas para facilitar e padronizar as análises, permitindo responder perguntas relevantes do negócio com mais clareza, assertividade e agilidade.

Perguntas respondidas na análise:

• Total de clientes?

• Faturamento total?

• Percentual de clientes inadimplentes?

• Recebíveis inadimplentes?

• Faturamento ao longo dos anos?

• Marcas mais locadas?

• Cidades mais locatárias?

• Top 5 clientes (com maior valor total de locação)?