Uso do Phyton para contar histórias pode mudar como você interage com seus dados de venda e ser o diferencial nos seus resultados comerciais.

Analisar grandes volumes de dados de vendas é um desafio que exige ferramentas eficazes e escolhas inteligentes.

Neste artigo, mostramos como gráficos de coluna no Python podem simplificar a exploração de dados, utilizando como exemplo a base de dados “Retail Sales Data with Seasonal Trends & Marketing”, disponível na plataforma Kaggle.

Vamos também explorar a importância de contar histórias impactantes com dados, escolher o gráfico ideal e tirar insights valiosos sobre vendas trimestrais, distribuidores e produtos.

Para facilitar seu aprendizado, compartilharemos o código que utilizamos para criar cada gráfico. Lembre-se de adaptar estes códigos aos dados que você está utilizando.

A plataforma Kaggle e a Base de Dados de Varejo

O Kaggle é uma plataforma amplamente reconhecida por fornecer datasets e promover competições de ciência de dados.

A base de dados utilizada neste artigo apresenta informações detalhadas de vendas, incluindo tendências sazonais e gastos com marketing.

Esses dados oferecem uma oportunidade única para explorar padrões de vendas e identificar pontos críticos para a tomada de decisões.

Sugerimos que você se inscreva na plataforma e esteja sempre atualizado de suas novidades.

Além de explorar os bancos de dados disponíveis, vale sempre interagir com a comunidade e buscar alguns desafios para participação.

Para acessar diretamente a base de dados que exploraremos neste artigo, acesse o link abaixo.

Retail Sales Data with Seasonal Trends & Marketing

A Importância de Contar Histórias com Dados

Um gráfico é mais do que uma visualização; ele é uma ferramenta de comunicação.

Assim, um de nossos principais trabalhos ao aplicado Dados em Vendas é simplificar a mensagem que queremos e contar histórias a partir dos gráficos criados.

Ao criar gráficos, como os de coluna, devemos considerar a história que iremos transmitir a partir dos dados, de forma clara e envolvente.

Por exemplo, no artigo “Dicas para transformar dados complexos em histórias cativantes”, compartilhamos dicas importantes para criar narrativas eficazes, como:

• A importância de simplificar a mensagem visual.
• A necessidade de focar nos pontos que destacam tendências ou insights específicos.
• Como evitar sobrecarregar o gráfico com informações irrelevantes.

Gráficos de coluna, embora simples, são poderosos para destacar comparações e tendências em intervalos definidos.

Uso do Phyton para contar histórias: Escolhendo o Gráfico Certo

Vale ressaltar que nem sempre o gráfico mais elaborado é o ideal.

O gráfico de colunas, com sua simplicidade, permite explorar relações entre categorias e números com clareza.

Ele é especialmente útil para:

• Comparar vendas entre diferentes períodos ou categorias.
• Identificar rapidamente valores discrepantes ou picos de desempenho.

Por exemplo, existem outros gráficos que podem te ajudar a simplificar a história que estará compartilhando, todos eles podem ser desenvolvidos facilmente no Phyton.

Assim, para acessar algumas dicas importantes sobre este tópico, leia o artigo abaixo.

Maximize suas vendas a partir destes 3 gráficos essenciais

Uso do Phyton para contar histórias: Consolidando Dados de Vendas por Trimestres

Assim agrupar dados de vendas por trimestres ajuda a suavizar a análise e destacar tendências sazonais.

Portanto, esta informação é fundamental em suas estratégias comercias e te ajuda a identificar insights que te ajudarão a vender mais

Por exemplo, essa abordagem pode revelar:

• Padrões de crescimento ou queda ao longo do ano.
• Impactos de estratégias de marketing ou promoções específicas.
• A importância de certos períodos para o desempenho geral do varejo.

Por exemplo, para criar o gráfico acima, utilizamos o seguindo código no Google Colab.

 Agregar as vendas por Mês
vendas_por_mes = dados.groupby('Mês')['Vendas'].sum().reset_index()

# Representar os meses por trimestes: Q1, Q2, Q3 e Q4
mapeamento = {1: 'Q1', 3: 'Q2', 7: 'Q3', 9: 'Q4'}
vendas_por_mes['Trimestre'] = vendas_por_mes['Mês'].map(mapeamento)

# Visualização das vendas agregadas por Mês
plt.figure(figsize=(10, 6))
sns.barplot(x='Trimestre', y='Vendas', data=vendas_por_mes)
plt.title('Desempenho Trimestral para o ano fiscal')
plt.xlabel('Trimestre')
plt.ylabel('Vendas [$]')
plt.xticks(rotation=0)  # Manter os meses sem rotação
plt.show()

 

Uso do Phyton para contar histórias: Os 10 Distribuidores com Maiores Vendas

Identificar os distribuidores mais lucrativos fornece insights sobre desempenho e potencial de parcerias.

Além disso, pode te fornecer insights importantes sobre quais distribuidores mais impactam em seus números e aqueles onde uma negociação pode trazer maior margem.

Por exemplo, ao explorar estes dados podemos responder:

• Quais distribuidores lideram consistentemente as vendas?
• Existe concentração de vendas em poucos distribuidores?
• Como os esforços de marketing ou incentivos impactam essas vendas?

O gráfico de barras acima, foi desenvolvido a partir do código abaixo.

# Top 10 distribuidores por vendas
top_distribuidores = dados.groupby('Distribuidor')['Vendas'].sum().nlargest(10).reset_index()

# Cálculo da média de vendas
media_vendas = top_distribuidores['Vendas'].mean()

# Configuração do estilo do Seaborn
sns.set(style='whitegrid')

plt.figure(figsize=(12, 8))

# Criando o gráfico de barras com cores específicas
bar_plot = sns.barplot(x='Vendas', y='Distribuidor', data=top_distribuidores, color='blue')

# Adicionando rótulos às barras com símbolo de reais e arredondando para uma casa decimal
for index, value in enumerate(top_distribuidores['Vendas']):
    bar_plot.text(value, index, f'R$ {value:,.1f}', va='center', color='black', fontsize=12)

# Adicionando linha da média em amarelo
plt.axvline(media_vendas, color='yellow', linestyle='--', label=f'Média: R$ {media_vendas:,.1f}')

# Melhorando o título e os eixos
plt.title('Top 10 Distribuidores por Vendas', fontsize=16, fontweight='bold')
plt.xlabel('Vendas (R$)', fontsize=14)
plt.ylabel('')  # Título do eixo Y removido
plt.xticks(rotation=0)

# Removendo as linhas de grade
plt.grid(False)

# Removendo as caixas ao redor do gráfico
plt.gca().spines['top'].set_visible(False)
plt.gca().spines['right'].set_visible(False)

# Adicionando legenda
plt.legend()

# Mostrando o gráfico
plt.tight_layout()  # Ajusta o layout para melhor visualização
plt.show()

Uso do Phyton para contar histórias: Os 10 Produtos Mais Vendidos

Finalmente, entender os produtos mais vendidos ajuda a guiar estratégias de estoque, marketing e precificação.

Com gráficos de coluna, é possível:

• Visualizar os líderes em vendas e suas margens.
• Identificar oportunidades para expandir o sucesso de produtos específicos.
• Descobrir tendências de consumo que orientem lançamentos futuros.

Para construir um gráfico similar, você pode seguir o código abaixo e adaptar aos seus dados.

# Top 10 produtos por vendas
top_produtos = dados.groupby('Desc_Produto')['Vendas'].sum().nlargest(10).reset_index()

# Cálculo da média de vendas
media_produtos = top_produtos['Vendas'].mean()

# Configuração do estilo do Seaborn
sns.set(style='whitegrid')

plt.figure(figsize=(12, 8))

# Criando o gráfico de barras com cores específicas
bar_plot = sns.barplot(x='Vendas', y='Desc_Produto', data=top_produtos, color='blue')

# Adicionando rótulos às barras com símbolo de reais e arredondando para uma casa decimal
for index, value in enumerate(top_produtos['Vendas']):
    bar_plot.text(value, index, f'R$ {value:,.1f}', va='center', color='black', fontsize=12)

# Adicionando linha da média em amarelo
plt.axvline(media_produtos, color='yellow', linestyle='--', label=f'Média: R$ {media_produtos:,.1f}')

# Melhorando o título e os eixos
plt.title('Top 10 Produtos por Vendas', fontsize=16, fontweight='bold')
plt.xlabel('Vendas (R$)', fontsize=14)
plt.ylabel('')  # Título do eixo Y removido
plt.xticks(rotation=0)

# Removendo as linhas de grade
plt.grid(False)

# Removendo as caixas ao redor do gráfico
plt.gca().spines['top'].set_visible(False)
plt.gca().spines['right'].set_visible(False)

# Adicionando legenda
plt.legend()

# Mostrando o gráfico
plt.tight_layout()  # Ajusta o layout para melhor visualização
plt.show()

 

Conclusão

Os gráficos de coluna no Python são uma solução acessível e eficaz para extrair insights valiosos de dados de vendas, como os encontrados no Kaggle.

Por meio de análises estratégicas, é possível tomar decisões baseadas em dados e impulsionar o sucesso no varejo.

Quer aprender mais?

Acesse nossa página de Insights, Habilidades de Data Science e Comunicação de Dados e inscreva-se em nosso canal no YouTube Venda Mais com Dados para mais conteúdos incríveis!