Skip to content
BOCARDI DATA+INSIGHTS
Demo data

NEXUS 360 — Inteligência de Decisão para uma Distribuidora Nacional

Screen 1 of the NEXUS 360 — Inteligência de Decisão para uma Distribuidora Nacional project

Screen 1

1 of 11

The project texts below are in the original Portuguese.

Summary

O NEXUS 360 é um painel de gestão em Power BI feito para uma distribuidora B2B fictícia com 12 filiais. Ele reúne em um só lugar vendas, clientes, entregas, estoque, finanças e projeções. Cada tela responde a uma pergunta de negócio, e há um simulador para testar decisões antes de tomá-las.

Context and goals

Distribuidoras costumam ter a informação espalhada: o comercial vê vendas, a logística vê entregas, o financeiro vê o caixa, e ninguém enxerga o todo. As reuniões gastam tempo conciliando números em vez de decidir. O projeto teve quatro objetivos: Uma única versão dos números, conferida contra a base de dados e usada por todas as áreas. Respostas rápidas para perguntas de gestão. Onde estamos perdendo resultado? Quem deixou de comprar? Por que a entrega falha? O que acontece se eu der mais desconto? Apoiar a decisão, não só relatar: mostrar causas, projeções e cenários. Servir de referência de portfólio da Bocardi Data Insight, com padrão profissional de dados, design e documentação.

Insights and findings

A receita está estável, mas o lucro não. As vendas somam cerca de R$ 151 milhões, 2% abaixo do ano anterior e praticamente na meta (99%). O resultado gerencial caiu 13%, para cerca de R$ 18 milhões. O problema está nos custos, não na venda. As despesas fugiram do orçamento em todas as filiais. Pessoal, aluguel, energia e marketing cresceram acima do previsto. Esse é o principal ralo de resultado. A entrega é o maior ponto fraco. Só 64% das entregas chegam no prazo e completas, contra uma meta de 94%. Nenhuma transportadora se destaca positivamente: o problema é sistêmico, não de um parceiro específico. A base de clientes precisa de atenção. Cerca de 36% dos clientes com histórico estão perdidos (mais de um ano sem comprar) e mais de 8 mil estão em risco. Há também um ponto positivo: mais de 7,5 mil clientes voltaram a comprar no período, trazendo cerca de R$ 59 milhões. Há oportunidades rápidas no comercial. 1.281 clientes de alto valor compraram uma única vez: são candidatos naturais a uma ação de recompra. 39 dos 180 vendedores dão desconto acima do normal e entregam margem abaixo da média. Preço pesa mais que volume. No simulador, cada 1% de aumento de preço acrescenta cerca de R$ 1,5 milhão ao resultado do período, desde que o volume se mantenha. Uma queda de 4% no volume tira cerca de R$ 1,7 milhão. O calendário tem padrão. Fevereiro é sempre o mês mais fraco, cerca de 10% abaixo da média do ano. O planejamento de metas e campanhas deve considerar isso. O fim de ano tende a superar a meta. A projeção para novembro e dezembro fica acima da meta. Já a previsão para o primeiro semestre de 2027 indica receita cerca de 8% menor que a de 2026.

Results and impact

Uma visão integrada da empresa: do resultado geral até o detalhe de um cliente, de uma filial ou de um dia de operação. Decisões mais rápidas e mais bem fundamentadas. Cada tela aponta onde está o problema, de que tamanho ele é e o que pode ser feito. Planejamento com cenários. Gestores testam mudanças de preço, desconto, volume, custo e frete e veem o efeito no resultado antes de agir. Números confiáveis e rastreáveis. Os indicadores foram conferidos contra a base de dados, e as regras de cálculo estão documentadas e visíveis em cada página. Base pronta para crescer. A integração do assistente de IA e a visualização 3D do armazém estão especificadas como próximos passos. Projeto aberto para consulta: telas, documentação e registros de teste estão publicados em https://github.com/fbstiago-afk/Nexus-360.

Methodology and approach

Conhecer os dados antes de desenhar telas. Conferimos cada tabela, encontramos e registramos inconsistências e definimos regras claras, como o que conta como "recebido" e quando um cliente é considerado perdido. Construir a base de cálculo uma vez, e bem. Todos os indicadores saem de um modelo único. Cada número importante foi comparado com um cálculo independente antes de ir para a tela. Uma pergunta por tela. Foram 11 telas: abertura, visão executiva, comercial, clientes, logística, armazém, financeiro, projeções, simulador, calendário operacional e assistente de IA. Cada uma tem poucos gráficos, escolhidos para responder à pergunta da página. Design com propósito. Usamos a identidade visual da marca. A cor tem significado: verde é bom, vermelho exige atenção. Cada tela tem filtros escondidos, um painel "sobre esta página" e dicas ao passar o mouse. Testar como o usuário usa. Abrimos e testamos cada tela no Power BI e medimos a velocidade de carregamento. Os problemas encontrados e as correções ficaram registrados. Ser honesto sobre o que não está pronto. O assistente de IA aparece como demonstração, sem fingir respostas. O que depende de integrações futuras está identificado como pendente.

Challenges and learnings

Dados imperfeitos são a regra. Títulos com pagamento incoerente, datas cortadas no fim do período e amostras de estoque incompletas foram documentados e tratados com regras explícitas, sem esconder o problema. Aprendizado: confiança vem de mostrar a regra, não de "limpar" o número. A mesma palavra significa coisas diferentes. "Cliente ativo" e "churn" mudam muito conforme a definição. Fixamos limites (risco a partir de 180 dias sem compra, perda a partir de 365) e deixamos esses limites ajustáveis na tela. Nem tudo tem o mesmo nível de detalhe. Frete, despesas e metas não existem por produto. Em vez de inventar uma divisão, esses indicadores ficam em branco quando se filtra um produto. Bonito não pode atrapalhar o número. Ao arredondar para valores inteiros, várias filiais passaram a mostrar a mesma margem. Em alguns pontos trocamos a unidade (de milhões para mil) para não perder a diferença entre elas. Projeção exige humildade. As projeções vêm com faixa de incerteza e com o erro medido no histórico. Simulações aparecem como cenários, não como previsões.

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