Café Raiz — da origem do grão à decisão: inteligência de vendas para um e-commerce de cafés especiais
Screen 1
1 of 3
The project texts below are in the original Portuguese.
Summary
Dashboard em Power BI, em duas páginas, que transforma uma planilha simples de pedidos em respostas de negócio. Mostra quanto vendemos, se o ritmo melhora ou piora, quais produtos sustentam o resultado, quem recompra e em quais estados está a próxima oportunidade.
Context and goals
O Café Raiz é um e-commerce fictício de cafés especiais com 200 pedidos em 12 meses, 50 clientes, 10 produtos e 6 estados. É o retrato de muita empresa pequena e média: os dados existem, mas ficam numa planilha que ninguém consegue ler em 5 segundos. O objetivo foi mostrar que uma base enxuta, sem ERP nem data warehouse, já responde às perguntas de um gestor comercial. A experiência é de aplicativo, não de relatório: a primeira tela dá o diagnóstico e a segunda mostra onde agir.
Insights and findings
Acessórios são 40,5% do faturamento de uma marca de café (R$ 11,1 mil de R$ 27,4 mil). O produto líder é o Moedor Manual Inox (R$ 4.800). 90% dos clientes recompram e geram 97% da receita. O recorrente vale 3,9 vezes mais por cliente (R$ 591 contra R$ 151), mesmo com ticket por pedido menor (R$ 136 contra R$ 151). O valor está na frequência. O Rio de Janeiro é o mercado principal: 25% das vendas, maior base (32 clientes) e maior ticket (R$ 148). Minas Gerais tem base menor e ticket alto (R$ 141), um potencial premium. Bahia e Paraná têm base e ticket abaixo da média. A satisfação é o alerta: média de 3,1 em 5, com 35% das notas em 1 ou 2. O Grão Catuaí Amarelo tem a pior nota (2,8) e o Moedor, campeão de receita, fica em 2,9. A origem mais bem avaliada é o Cerrado Mineiro (3,45). O ritmo recente caiu: os últimos 90 dias faturaram 27,6% menos que os 90 anteriores, com queda em pedidos (-16,9%) e em ticket (-12,8%).
Results and impact
Em uma tela, o gestor vê três decisões que a planilha escondia: Proteger a recorrência, que é praticamente toda a receita. Investigar a qualidade dos produtos que mais vendem, antes que a nota baixa afete a recompra.
Methodology and approach
Auditoria da base antes de qualquer gráfico: tipos, nulos, duplicidades, preço fixo por produto e cobertura do período. Modelo em estrela: uma tabela de vendas e cinco dimensões (calendário, produto, cliente, estado e avaliação), com relacionamentos de direção única. 65 medidas DAX organizadas em pastas: vendas, comparativos, clientes, produtos, avaliação, títulos dinâmicos e HTML. Narrativa em duas páginas: Visão Geral: quanto, tendência, quando, qual categoria, quais produtos, qual o insight. Clientes & Mercado: quem recompra, onde estão os clientes, quais mercados valem mais, quais origens agradam, satisfação.
Challenges and learnings
Desafios e aprendizados O estado não é do cliente. 43 dos 50 clientes compraram em mais de um estado; a UF foi modelada como atributo do pedido para não distorcer a análise geográfica. Doze meses não permitem comparação anual. O painel compara com o período anterior de mesma duração e, quando ele não existe, usa os últimos 90 dias contra os 90 anteriores, sempre rotulado. Os meses parciais (fev/25 e fev/26) são sinalizados. Ausência não é zero. 23 pedidos sem avaliação ficaram fora da média em vez de derrubá-la. "Uma compra" não é "cliente novo". A base não tem histórico anterior, então o painel usa o rótulo que os dados sustentam. O que não existe não foi inventado. Lucro, margem, CAC, estoque e ROI ficaram de fora.
Project built with fictional/demo data.
Want a similar solution for your company?
Tell us which decision needs support. The form already includes this project as a reference.
I want a similar solution