Análise de Delivery de Refeições

Realizar uma análise completa dos dados de pedidos de um delivery, incluindo tratamento de dados, engenharia de features, agregações, análise temporal e cálculo de KPIs importantes para o negócio.

---

Contexto do negócio

Você foi contratado como analista de dados de um delivery de refeições. A empresa possui um cardápio variado com diferentes categorias (Salgados, Bebidas, Sobremesas, etc.) e precisa entender melhor o comportamento de vendas para tomar decisões estratégicas.

---

Dados disponíveis

Você tem acesso a dois arquivos CSV na pasta dados/:

pedidos.csv

Registros de todos os pedidos realizados, contendo:

• Data do pedido
• Item pedido
• Quantidade
• Preço unitário cobrado

cardapio.csv

Informações dos itens do cardápio, contendo:

• Nome do item
• Categoria (Salgados, Bebidas, etc.)
• Preço base

---

Requisitos

1. Análise Exploratória de Dados (EDA)

• Carregue o arquivo pedidos.csv
• Explore a estrutura dos dados usando métodos como head(), tail(), info() e describe()
• Identifique a quantidade de registros, colunas e tipos de dados

2. Criação de Novas Colunas (Feature Engineering)

• Calcule a receita de cada item do pedido (quantidade × preço unitário)
• Crie uma nova coluna Receita_Item no DataFrame

3. Tratamento de Valores Ausentes

• Identifique valores nulos nas colunas
• Preencha valores ausentes na coluna Quantidade com a média
• Remova linhas com valores nulos na coluna Preco_Unitario

4. Agregações por Item

• Agrupe os dados por Item
• Calcule a quantidade total vendida de cada item
• Calcule a receita total de cada item
• Identifique os top 5 itens mais vendidos (por quantidade)
• Identifique os top 5 itens que geraram mais receita

5. Análise Temporal

• Converta a coluna Data para o tipo datetime
• Extraia o mês de cada pedido
• Calcule a receita total por mês
• Analise a evolução das vendas ao longo do tempo

6. Integração de Dados (Merge)

• Carregue o arquivo cardapio.csv
• Faça um merge entre pedidos e cardápio usando a coluna Item
• Calcule a receita total por Categoria
• Identifique qual categoria gera mais receita

7. Filtros e Consultas

• Filtre pedidos da categoria 'Salgados' com quantidade superior a 10 unidades
• Exiba os resultados filtrados

8. KPIs e Análise Estatística com NumPy

Calcule os principais indicadores do negócio:

• Receita Total: soma de toda a receita gerada
• Total de Itens Vendidos: soma de todas as quantidades vendidas
• Ticket Médio: receita total dividida pelo número de pedidos

Desafio Extra (opcional):

• Calcule percentis (25%, 50% e 75%) para Preco_Unitario e Quantidade usando funções do NumPy

---

Estrutura recomendada

Organize seu notebook em seções claras:

# 1. Importações
import pandas as pd
import numpy as np

# 2. Carregamento dos Dados
# Carregue pedidos.csv

# 3. EDA
# Explore os dados

---

Como executar

1. Certifique-se de ter Pandas e NumPy instalados
2. Abra o notebook no Jupyter ou Google Colab
3. Use caminhos relativos para carregar os arquivos: dados/pedidos.csv e dados/cardapio.csv
4. Execute as células na ordem proposta

---

Dicas

• Use pd.read_csv() para carregar os dados
• O método groupby() é essencial para agregações
• Para merge, use pd.merge() com parâmetro how='left'
• Converta datas com pd.to_datetime()
• Use np.percentile() para calcular percentis
• Comente seu código para explicar sua lógica

---

Entrega

Após concluir o desafio, você deve enviar a URL do seu código no GitHub para a plataforma.

Além disso, que tal fazer um post no LinkedIn compartilhando o seu aprendizado e contando como foi a experiência?

É uma excelente forma de demonstrar seus conhecimentos e atrair novas oportunidades!

Feito com 💜 por Rocketseat 👋

# 1. Importações
import pandas as pd
import numpy as np

# 2. Carregamento dos Dados
# Carregue pedidos.csv

# 3. EDA
# Explore os dados