Skip to content

Análise de dados de vendas utilizando SQL (MySQL), com consultas analíticas, agregações e window functions aplicadas a um cenário de negócio fictício.

License

Notifications You must be signed in to change notification settings

eduardo-hribeiro/analise_vendas_SQL

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

21 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

📊 Projeto – Análise de Vendas com SQL (MySQL)

📌 Visão Geral

Este projeto tem como objetivo realizar uma análise completa de vendas utilizando MySQL para modelagem, carga e consultas dos dados, e Google Sheets para visualização, KPIs e construção de um dashboard analítico.

O fluxo do projeto simula um cenário real de trabalho em dados:

  • Banco de dados → consultas SQL → exportação → dashboard executivo.

🗂️ Estrutura do Projeto

├── schema.sql        # Criação do banco de dados e tabelas (DDL)
├── inserts.sql       # Inserção de dados fictícios (DML)
├── queries.sql       # Consultas analíticas e de negócio (DQL)
├── Dashboard.jpeg    # Visualização das consultas
└── README.md         # Documentação do projeto

🎯 Objetivos do Projeto

  • Praticar modelagem de banco de dados relacional
  • Desenvolver consultas SQL analíticas
  • Gerar insights de negócio a partir dos dados
  • Criar KPIs e dashboards
  • Integrar banco de dados com Google Sheets

🧱 Modelagem do Banco de Dados

O banco de dados foi modelado seguindo boas práticas de normalização e integridade referencial, com as seguintes entidades principais:

  • clientes – dados cadastrais dos clientes
  • produtos – catálogo de produtos disponíveis para venda
  • vendedores – responsáveis pelas vendas
  • vendas – registros das transações realizadas
  • itens_venda – detalhamento dos produtos vendidos em cada venda

Relacionamentos principais:

  • Um cliente pode ter várias vendas
  • Uma venda pode conter vários itens
  • Cada item de venda está associado a um produto
  • Cada venda é atribuída a um vendedor

📥 Carga de Dados

O projeto utiliza dados fictícios distribuídos de forma realista, incluindo:

  • ~80 clientes
  • 20 produtos
  • 244 vendas
  • 400+ registros em itens_venda

ℹ️ Observação sobre os Dados

Nem todas as vendas possuem itens associados. Isso foi feito propositalmente para simular cenários reais, como:

  • vendas canceladas
  • vendas incompletas
  • registros criados antes da finalização

📈 Consultas Analíticas (queries.sql)

O arquivo queries.sql contém consultas que respondem a perguntas reais de negócio, incluindo:

  • Receita total por produto
  • Quantidade vendida por produto
  • Receita mensal
  • Receita acumulada ao longo do tempo (Window Function)
  • Clientes com maior volume de compras
  • Vendedores com maior faturamento
  • Identificação de vendas sem itens associados

Destaque técnico:

  • Uso de JOINs complexos
  • Agregações com SUM, COUNT
  • Window Functions (SUM() OVER)
  • Subqueries e aliases
  • Ordenação e agrupamento para análise temporal

🔍 Exemplo de Consulta Avançada

SELECT
  mes,
  receita_mensal,
  SUM(receita_mensal) OVER (ORDER BY mes) AS receita_acumulada
FROM (
  SELECT
    DATE_FORMAT(v.data_venda, '%Y-%m') AS mes,
    SUM(iv.quantidade * iv.preco_unitario) AS receita_mensal
  FROM vendas v
  JOIN itens_venda iv ON v.id_venda = iv.id_venda
  GROUP BY mes
) t;

Essa consulta calcula a receita mensal e a receita acumulada ao longo do tempo, demonstrando domínio de SQL analítico moderno.


📊 Integração com Google Sheets

Os resultados das consultas SQL foram exportados e organizados em abas específicas no Google Sheets, como:

  • receita_mensal
  • total_vendas
  • receita_produto
  • receita_categoria
  • receita_vendedor
  • top10_clientes
  • ticket_medio

Essas abas servem como base de dados para KPIs e gráficos.


📌 KPIs Criados

Na aba KPIs, foram calculados indicadores estratégicos, como:

  • 💰 Receita Total
  • 🧾 Total de Vendas
  • 📦 Ticket Médio
  • 🏆 Melhor Vendedor (por Receita)
  • ⭐ Produto Campeão (por Receita)

Os KPIs são alimentados dinamicamente a partir das abas de dados.


📷 Dashboard

dashboard


💡 Insights Obtidos

A partir das análises realizadas e do dashboard construído, foi possível identificar alguns insights relevantes:

  • A receita apresenta variação ao longo dos meses, indicando sazonalidade nas vendas.
  • Um pequeno grupo de produtos concentra a maior parte do faturamento, evidenciando a importância do mix de produtos.
  • Alguns vendedores se destacam significativamente em relação à receita gerada, o que pode indicar boas práticas comerciais.
  • O ticket médio permanece relativamente estável, sugerindo consistência no comportamento de compra dos clientes.

Esses insights demonstram como o uso de SQL aliado à visualização de dados pode apoiar a tomada de decisão no contexto de negócios.


▶️ Como Executar o Projeto

  1. Abra o MySQL Workbench
  2. Execute os arquivos na seguinte ordem:
    • schema.sql
    • inserts.sql
    • queries.sql
  3. Exporte os resultados das queries para CSV
  4. Importe cada CSV como uma aba no Google Sheets
  5. Utilize as abas para criar KPIs, gráficos e o dashboard final

🛠️ Tecnologias Utilizadas

MySQL

  • Criação de schema relacional
  • Inserção de dados fictícios
  • Consultas analíticas com JOIN, GROUP BY, ORDER BY
  • Funções de data e agregação

Google Sheets

  • Importação dos resultados das consultas SQL
  • Tratamento de dados (texto → número / moeda)
  • KPIs com fórmulas
  • Criação de gráficos e dashboard

GitHub

  • Versionamento do schema, inserts e queries
  • Documentação do projeto

🧑‍💻 Autor

Eduardo Ribeiro

  • 🎯 Estudante de Análise de Dados

🗓️ Última atualização

Última atualização: Dezembro de 2025

About

Análise de dados de vendas utilizando SQL (MySQL), com consultas analíticas, agregações e window functions aplicadas a um cenário de negócio fictício.

Topics

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published