Maximizando vendas em uma Coffee Store
Contexto
Uma Coffee Store deseja maximizar as receitas e , para isso, disponibilizou dados históricos visando a extração insights que podem contribuir para tal objetivo.
Nesse projeto, o método utilizado foi o CRISP-DM e a execução se deu originalmente via Google Sheets e Looker Studio.
Entendimento do negócio
Objetivo
Compreender o cenário de vendas atual e extrair insights que permitam maximizar a receita da Coffee Store.
Premissas
Como premissas para o projeto, tem-se:
- Os dados são representativos e atualizados.
- Os dados datam de 2023-06-15 a 2023-06-30 (janela de 15 dias).
- Não se está considerando o efeito da sazonalidade, nem períodos atípicos relacionado a ofertas, como a Black Friday.
Critérios de sucesso
Encontrar oportunidades onde:
- Estimar o cenário das vendas para o período estuado.
- Extrair insights acionáveis que permitam maximizar as receitas.
Entendimento dos dados
O dataset original constou de 19.003 linhas e 12 colunas. Como metadados, tem-se para as principais colunas:
| Coluna | Descrição |
|---|---|
transaction_id |
ID sequencial único que representa uma transação individual |
transaction_date |
Data da transação |
transaction_time |
Horário da transação |
transaction_qty |
Quantidade de itens vendidos |
store_id |
ID único do café onde a transação ocorreu |
store_location |
Localização do café onde a transação ocorreu |
product_id |
ID único do produto vendido |
unit_price |
Preço de varejo do produto vendido |
product_category |
Descrição da categoria do produto |
product_type |
Descrição do tipo de produto |
product_detail |
Descrição detalhada do produto |
Análise/Modelagem
Num primeiro momento, novas colunas foram geradas via funcionalidade de Campo Calculado disponível no Google Looker Studio:
- Receita por produto (em USD), nomeada como
product_revenue:
- Ticket médio, nomeada como
Avg_ticket, que representa o valor médio (USD) gerado por vendas:
Por meio de análise exploratória, constatou-se que a Coffee Store possui:
- 80 produtos
- 9 categorias
- 29 tipos de produto
- 3 stores em localidades distintas (Astoria, Hell’s Kitchen e Lower Manhattan)
O dashboard final pode ser encontrado abaixo (fique à vontade para navegar entre as páginas do relatório). Caso queira visualizar dentro do Google Looker Studio, acesse aqui).
Insights e recomendações
Categorias de produto que geram a maior parte dos resultados (lei de Pareto):
- Astoria: café e chá
- Hell’s Kitchen: café, chá e padaria
- Lower Manhattan: café, chá e padaria
Melhores períodos/turnos para venda:
- As maiores vendas (receita) ocorrem no período da manhã (ofertas/promoções personalizadas são bem-vindas neste período)
- Para padronizar todas as lojas e evitar prejuízos: considerar excluir o horário das 20h do horário de funcionamento.
- Fechar a loja “Lower Manhattan” às 18h pode diminuir os custos operacionais (vendas muito baixas após esse horário)
Tendências:
- Categoria de produto: as vendas de Café e Padaria são mais estáveis que as de Chá
- Os produtos podem ser segmentados em 3 categorias: críticos, de alto volume de vendas e de alta receita (em termos de desempenho)
- O preço dos produtos com alto volume de vendas poderia ser aumentado em 1-2%? Isso certamente vai impactar no lucro.
- Determinar a elasticidade de preço para os produtos com bom desempenho
- Produtos críticos têm preço unitário alto (~4,5x o preço unitário médio de produtos com bom desempenho)
- “Civet Cat” é um valor atípico em termos de preço unitário (muito discrepante de outros produtos) - o que justifica esse ticket tão alto?
Validação e Deploy
Após validação dos critérios de sucesso e aprovação do dashboard, os dados podem ser atualizados constantemente e de maneira escalável. É interessante validar com o negócio qual a periodicidade ideal para realizar novas análises das receitas. Cabe mencionar que o usuário final pode filtrar os dados no relatório e exportar o PDF com a seleção em questão.