Faturamento × nota
−0,08
de correlação entre faturamento e nota
Praticamente nenhuma. 9 dos 20 sellers que mais faturam têm nota abaixo da média.
← Todos os projetos
📁 Projeto 02 · Dados reais· Análise e storytelling
Quem vende mais é quem o cliente aprova?
Analisei 96,5 mil pedidos reais de um marketplace brasileiro, do banco de dados ao dashboard, e descobri que a nota do cliente não depende de quem vende mais: depende da entrega.
- Meu papel
- Tudo, de ponta a ponta
- Dados
- Reais, 96,5 mil pedidos
- Ferramentas
- PostgreSQL · Python · Power BI
- Entrega
- Dashboard + recomendação
Pedido atrasado: nota 2,27. No prazo: 4,29 ⏱️
Onde está o gargalo72%dos atrasos acontecem no transporte
⚡ Em 30 segundos
O problema
O ranking pedido premiava quem fatura mais. Mas os campeões de faturamento nunca eram os campeões de nota.
O que eu fiz
Carreguei 1,5 milhão de linhas no PostgreSQL, auditei a fonte em SQL, modelei no Power Query e construí o dashboard.
O que descobri
Faturamento não prevê a nota; a entrega sim. Atrasos são 6,7% dos pedidos e 37% de todas as notas 1.
O que recomendei
Atacar o atraso no transporte e trocar o critério de "melhor seller": nota ajustada e pontualidade, não só tamanho.
1O desafio
Um ranking que escondia a pergunta certa
O desafio técnico pedia os melhores sellers e categorias por ano, em faturamento, itens e nota. Respondi, e encontrei um padrão: quem fatura mais nunca é quem tem a melhor nota. Em 2018, o maior seller faturou R$ 136 mil com nota abaixo da média; o de melhor nota faturou R$ 7 mil.
R$ 13,22 Miem pedidos entregues
2.970sellers com venda
4,16de nota média dos clientes
"Quem lidera em faturamento, itens e nota, por ano?"
"Por que quem fatura mais não tem a melhor nota?"
"O que faz o cliente dar nota 1?"
🎯 Da pergunta original à pergunta certa2A construção
Dados reais pedem desconfiança: auditei antes de analisar
Base real tem pedido com vários sellers, avaliação duplicada e produto sem categoria. Antes de qualquer gráfico, conferi a fonte em SQL e transformei cada problema numa regra escrita.
Carga no banco
1,5 milhão de linhas no PostgreSQL com Python, sem alterar nada da fonte.
PythonPostgreSQLAuditoria em SQL
12 consultas para achar o que distorceria os números antes de usá-los.
SQLModelo em camadas
Power Query em 3 camadas e um modelo estrela com venda, entrega e nota juntas.
Power QueryDAXConferência em Python
Cada número do dashboard recalculado fora do Power BI, com as mesmas regras.
PythonPandas
O que a auditoria encontrou, e virou regra
1.278pedidos com mais de um seller→ faturamento contado por item
547pedidos com mais de uma avaliação→ uma nota por pedido (média)
534sellers com um único pedido avaliado→ nota ajustada e mínimo de 30
610produtos sem categoria→ "Não informado", fora dos rankings
Quer o lado técnico (SQL, Python, Power Query, DAX e decisões)? Leia o README no GitHub →
3O dashboard
A resposta primeiro, a prova logo abaixo
A primeira tela responde à pergunta. Rolando a página, cada seção prova uma parte da resposta e termina na recomendação.
1234- 1A respostaUm texto em DAX que se reescreve com os filtros.
- 2A provaA nota cai de 4,42 para 2,25 conforme o prazo cresce.
- 3Os indicadoresSempre com contexto: crescimento, notas 1, nota dos atrasados.
- 4Os filtrosAno, região do cliente e categoria mudam tudo, inclusive os títulos.
Rolando a página
📌 Título que conclui"9 dos 20 sellers que mais faturam têm nota abaixo da média" em vez de "Ranking de sellers".
🎨 Cor só para destacarVermelho é atraso ou problema, azul é destaque, o resto é neutro.
🧭 Uma página, uma históriaContexto → achados → onde dói → recomendação, em rolagem.
✍️ Protótipo antesDesenhado e aprovado em HTML com os números reais, depois levado ao Power BI.
4Os achados
Não é quem vende. É como chega.
Entrega × nota
2,27
é a nota do pedido atrasado (no prazo: 4,29)
Atrasos são 6,7% dos pedidos, mas geram 37% de todas as notas 1.
Onde dói
19,9 dias
é o prazo médio do cliente do Nordeste
Quase o dobro do Sudeste (10,7). 60% dos sellers estão em SP.
🔄 A virada da história
O culpado não era o seller
A primeira suspeita era o seller demorar para postar. Separei o pedido atrasado em duas etapas, da compra à postagem e da postagem à entrega.
Em 72% dos atrasos o seller postou no prazo: o produto leva 27,9 dias no transporte, contra 8 dias nos pedidos que chegam bem. Isso mudou quem é dono da primeira ação: a logística.
Dias médios por etapa
Pedidos que chegaram no prazo × pedidos atrasados
Postagem · no prazo3,0
Postagem · atrasados6,1
Transporte · no prazo8,0
Transporte · atrasados27,9
5A decisão
De um ranking a um plano com dono, prazo e meta
Cada recomendação segue o mesmo caminho, do número até o gatilho de revisão:
- Fato
- Interpretação
- Causas
- Validação
- Ação
- Resultado
- Acompanhamento
Recomendação
Atacar o atraso no transporte e trocar o critério de "melhor seller": é a entrega que decide a nota.
Evitar metade dos atrasos sobe a nota média de 4,16 para 4,22 e reduz as notas 1 de 9,7% para 7,9%.
1Alta
Atraso no transporte
Alerta de pedido em risco e revisão das rotas com mais atraso.
Atraso 6,7% → 3,5%Logística · 90 dias
2Alta
Critério de melhor seller
Ranquear por faturamento, nota ajustada e pontualidade juntos.
Referências com atraso < 4%Comercial · 30 dias
3Média
Nordeste e Norte
Prazo realista por região e sellers mais perto do cliente.
Prazo NE 19,9 → 15 diasLogística + Comercial · 6 meses
Explore o projeto
Veja tudo por dentro
ZIP de 8 MB com o projeto do Power BI e os dados já incluídos. Extraia a pasta e abra Dashboard_Matheus_Mendes.pbip no Power BI Desktop (gratuito).
Próximo projeto · 03
As vagas certas chegam sozinhas
Automação em n8n que coleta vagas e classifica com IA.
Ver os projetos