Atlas Techonologies Marketing Data Analysis Case

Bem-vindo ao repositório do Case de Análise de Dados de marketing, desenvolvido para a Atlas Technologies. Este projeto simula um contexto real de análise de dados em uma plataforma B2C, com foco em entender o comportamento dos anunciantes, métricas de engajamento e avaliar uma promoção histórica usando SQL para extração/transformação e Python (Seaborn) para visualização.

---

📋 Estrutura Geral do Repositório

data-analyst-test-01-martech/
├── README.md                  # Documentação completa do projeto
├── requirements.txt           # Bibliotecas necessárias
├── data/                      # Dados brutos (CSV originais Zipados)
│   └──datasets.7z
│      ├── users.csv             # Informações de usuários/anunciantes
│      └── user_transactions.csv # Histórico de transações
├── sql/                       # Scripts SQL organizados por etapa analítica
│   ├── 01_user_status.sql          # Cálculo de status de usuário (ativos, banidos)
│   ├── 02_daily_sales.sql          # Vendas diárias e sazonalidade
│   ├── 03_sales_by_weekday.sql     # Vendas por dia da semana
│   ├── 04_spend_per_user.sql       # Usuários pagantes e ARPU
│   ├── 05_monthly_revenue.sql      # Receita por mês
│   ├── 06_promotion_period.sql     # Identificação do período promocional
│   ├── 07_promotion_impact.sql     # Impacto da promoção em receita e transações
│   ├── 08_discount_simulation.sql  # Simulação de receita líquida para níveis de desconto
│   ├── clean_user_transactions.sql # Limpeza do dataset de transações
│   └── clean_users.sql             # Limpeza do dataset de usuários
├── scripts/                   # Scripts auxiliares em Python
│   └── promo_simulation.py    # Simulação Monte Carlo de desconto ideal
└── analysis.ipynb             # Jupyter Notebook principal com Carga de dados, consultas SQL e plots Seaborn

---

📖 Contexto Inicial e Storytelling

Uma das plataformas B2C da Atlas Technonologies conecta anunciantes a clientes, oferecendo planos pagos que aumentam a visibilidade dos anúncios. Cada plano (3, 7 ou 30 dias) adiciona pontos de listagem: mais pontos, maior ranqueamento. Usuários também podem usar a plataforma gratuitamente.

Storytelling começa apresentando o cenário de negócio:

1. Por que a análise importa? Entender a base ativa vs. banida revela saúde da plataforma. Mensurar compradores e ticket médio direta influencia receita e decisões de marketing.
2. Picos e sazonalidade: reconhecer padrões de compra (datas específicas) permite planejar promoções e alocação de recursos.
3. Promoção histórica de 85%: avaliar custo-benefício de descontos profundos para primeiras compras e projetar estratégias de descontos futuros.

Ao longo do notebook (analysis.ipynb), cada seção começa com uma pergunta de negócio, segue com a query SQL correspondente, exibe tabela/resultados e ilustra insights com gráficos Seaborn, culminando em recomendações claras.

---

🎯 Objetivos do Case

Desafio 1: Comportamento da Base

• Taxas de Status: Proporção de usuários ativos, onboarding, desabilitados e deletados.
• Padrão de Compras: Volume e receita diária, sazonalidade.
• Usuários Pagantes & ARPU: Contagem de pagantes e valor médio por usuário.
• Faturamento Mensal: Tendência de receita ao longo de meses.

Desafio 2: Promoção 85% Off

• Identificação do Período: Baseado em discount_percent ≥ 85%.
• Impacto: Mudanças em receita e número de transações pré, durante e pós-promocional.
• ROI: Cálculo de receita efetiva vs. projeção sem desconto.
• Desconto Ideal: Simulações de receita líquida para diferentes níveis de desconto.

---

🔍 Workflow Analítico

1. Carga e inspeção inicial

   • Unzip do Dataset
   • Importar CSVs em pandas.
   • Explorar colunas e tipos de dados.

2. Transformação com SQL

   • Utilizar pandasql ou conexão a BD para executar scripts em sql/.
   • Limpar dados de duplicatas e fazer análise de NULLs
   • Criar views para cada CTE e importar resultados ao notebook.

3. Visualização com Seaborn

   • Plotar gráficos de barras e linhas.
   • Anotar insights diretamente nos plots.

4. Simulações e recomendações

   • Rodar simulações de desconto no script Python.
   • Discutir trade-offs preço × volume.

5. Storytelling no Notebook

   • Cada seção inicia com pergunta, segue com SQL, mostra pandas dataframe e Seaborn plot, e finaliza com interpretação e recomendação.

---

🧩 Descrição dos Dados

users.csv e user_transactions.csv conforme descrito no README.md anterior. Mantém mesmo dicionário de colunas.

---

📑 Notebooks e Scripts

• analysis.ipynb: Notebook completo com narrativa, queries e viz.
• scripts/promo_simulation.py: Simulação Monte Carlo para avaliação de níveis de desconto.

---

🚀 Como Executar Localmente

1. Clone o repositório:

   git clone https://github.com/sophia-katze/data-analyst-test-01-martech
   cd data-analyst-test-01-martech

2. Instale dependências:

   pip install -r requirements.txt

3. Abra o Jupyter Notebook via prompt:

   jupyter notebook analysis.ipynb

4. Execute células sequencialmente: as queries SQL rodarão contra um banco SQLite em memória, e os plots Seaborn serão gerados inline.

---

🤝 Contato

Para dúvidas, abra uma issue ou contate Sophia Katze: sophia.helena.paula@gmail.com

---