Alura Log

https://app.powerbi.com/groups/me/reports/4e337623-356c-4040-b461-677f1a931bf6?ctid=1eeced09-952f-4080-adfa-f57ed5f7d002&pbi_source=linkShare

🚚 Sobre o projeto

Este projeto foi desenvolvido como parte do Alura Challenge BI, com o objetivo de aprofundar o estudo em Business Intelligence, utilizando a ferramenta Power BI.

O caso se baseia nas bases de dados da empresa fictícia de logística Alura Log, que desejava visualizar métricas importantes para o acompanhamento gerencial de sua operação.

🛠 Ferramentas

O projeto foi desenvolvido exclusivamente no Power BI, utilizando as linguagens M para tratamento de dados e DAX para cálculos e medidas.

🗃 Bases de Dados

As bases de dados estão em formato CSV.

Tabela Pedidos

• Total de registros: 147.934
• Colunas:
  • ID Pedido
  • ID Produto
  • Quantidade
  • ID Veículo
  • Status do pedido
  • Data da compra
  • Data de entrega
  • Data previsão
  • Latitude
  • Longitude
  • UF da entrega

Tabela Estoque

• Total de registros:
• Colunas:
  • ID Produto
  • Data atualização
  • Quantidade

Tabela Produtos

• Total de registros:
• Colunas:
  • categoria_produto
  • preço

Tabela Veículos

• Total de registros:
• Colunas:
  • ID veículos
  • Tipo
  • Status

🔍 Tratamento dos Dados

Tal qual em situações reais, os dados não estavam prontos para a criação de dashboards, sendo necessário realizar o ETL (Extract, Transform, Load) para que a criação dos gráficos e os relacionamentos entre estes fosse possível.

Tabela Pedidos

Certamente, a tabela que mais precisou de transformações.

Primeiramente, precisávamos alterar o tipo dos dados para DateTime, atentando-nos que existiam colunas com o padrão brasileiro (dd/mm/aaaa hh:mm) e colunas em formato estadunidense (mm/dd/aa hh:mm).

Feito isso, precisávamos encontrar valores inválidos nestas colunas. Para os pedidos com status "Em Trânsito", o valor da data de entrega era "Não disponível". Pelo seu formato DateTime, a coluna não poderia receber valores do tipo String. Assim, realizamos a substituição por valores null, deixando, assim, aquela coluna com dados vazios.

Feito isso, bastou-nos alterar os tipos das colunas restantes para os mais adequados (Latitude e Longitude para decimal, Quantidade para numérico).

Tabela Estoque

Para esta tabela, existia um problema para o campo Data atualização, que contava com um formato de data 1-jan.-2019. Após retirarmos o caracter 'ponto' após o mês, realizamos a substituição dos hífens por barras e sua devida tipagem para formato Date.

Tabela Produtos

Nesta tabela, o grande problema foi na coluna categoria_produto, que englobava os IDs de cada produto juntamente com o nome da categoria, em formato snake_case. Assim, Foi necessária a extração dos dados, separando-os em colunas diferentes, bem como a formatação para a substituição de underscores por espaços. Por fim, foi necessária a tipagem para Decimal na coluna Preço.

Tabela Veículos

Nesta tabela, bastou-nos remover os prefixos acrescentados aos IDs dos veículos, facilitando o relacionamento com a tabela Pedidos.

Relacionamentos

Como podemos perceber na figura, a modelagem foi feita de forma simples. As tabelas Pedidos, Produtos e Estoque se relacionam através da coluna ID Produto; As tabelas Pedidos e Veículos se relacionam através da coluna ID Veículo.

📊 Métricas

Dashboard Principal

• Quantidade de entregas no prazo;
• Quantidade de entregas atrasadas;
• Média de estoque disponível por ano;
• S2D* por Mês;
• Quantidade de pedidos por estado;

• S2D (Shipping to Door): Tempo da expedição até a chegada do produto para o cliente

Controle de veículos

• Quantidade total de veículos
• Veículos ocupados
• Veículos disponíveis
• Total de veículos por tipo
• Veículos disponíveis por tipo
• Quantidade de entregas por tipo de veículo

Financeiro

• Faturamento Total
• Estados com maior faturamento
• Faturamento por ano e mês
• Faturamento por categoria de produto

🖼 Screenshots