Análise de dados logísticos com o dataset DataCo Smart Supply Chain, cobrindo mais de 180 mil pedidos de e-commerce global entre 2015 e 2018.
- Calcular KPIs essenciais de supply chain: OTIF, lead time e taxa de atraso
- Identificar gargalos por região, categoria de produto e modal de envio
- Construir um dashboard interativo para visualização da performance logística
| Notebook | Descrição |
|---|---|
01_eda.ipynb |
Análise exploratória — shape, distribuições, missing values, perfil dos dados |
02_kpis.ipynb |
KPIs de logística: OTIF, lead time médio, taxa de atraso por corte |
03_dashboard.ipynb |
Dashboard interativo com Plotly: mapa global, rankings e sunburst |
04_causas_atraso.ipynb |
Análise de causa raiz: prazo prometido, sazonalidade, heatmap modal ×ばつ região, Random Forest |
- Python 3.12 · Pandas · NumPy · Scikit-learn
- Plotly — visualizações interativas
- Jupyter Notebook
DataCo Smart Supply Chain — Kaggle
~180 mil pedidos · 53 variáveis · Período: 2015–2018