Estudo de Caso: Análise Preditiva e Estratégica de Performance de Vendas (Microsoft Excel BI)
1. O Desafio de Negócio
A gestão comercial operava com pouca visibilidade sobre a performance individual da equipe e a rentabilidade dos produtos ao longo do tempo. O desafio era transformar dados transacionais brutos em uma ferramenta de Business Intelligence (BI) acessível e dinâmica no Excel para:
• Medir o gap entre meta e receita em tempo real.
• Identificar a volatilidade de produtos e vendedores ao longo dos anos.
• Oferecer dados acionáveis para coaching individual e ajuste de foco de vendas.
2. Solução e Metodologia Técnica
Utilizei o Microsoft Excel como o ambiente completo para o pipeline de análise de dados, demonstrando proficiência em todas as etapas, sem a necessidade de ferramentas de BI mais complexas:
• Tratamento de Dados: Utilização do Power Query (ou fórmulas avançadas como ÍNDICE e CORRESP) na etapa de limpeza para padronizar formatos, criar novas colunas (ex: Mês, Ano) para análise de tempo e garantir a integridade dos dados para o painel.
• Modelagem de Dados: Criação de uma camada de Tabelas Dinâmicas interligadas para calcular e agregar as métricas-chave: Receita por Vendedor, Receita por Produto e o Desvio Padrão da Receita Mensal.
• Dashboard Interativo: Criação do painel de controle principal (Dashboard) utilizando elementos de visualização nativos do Excel (Gráficos de Colunas, Linha e Pizza) e Segmentadores de Dados (Slicers) e Linha do Tempo (Timeline) para permitir que o usuário filtre a análise por Vendedor, Produto ou Ano (2019/2020/2021), oferecendo interatividade completa de BI.
Fases do Projeto
A. Planilha de Dados Brutos (Raw Data)
Foco da Descrição: Contém o dataset original (colunas em formato de texto, datas inconsistentes, células em branco), a análise inicial revela a necessidade de padronização de formatos e correção de nulls para garantir a integridade da análise subsequente.
B. Base Tratada (Clean Data)
Foco da Descrição: Nesta etapa foi utilizado técnicas de limpeza de dados (via Power Query/fórmulas) para: remover duplicatas, padronizar as entradas de texto, e formatar os campos numéricos e de data.
C. Análise (Tabelas Dinâmicas)
Foco da Descrição: Foram criadas múltiplas Tabelas Dinâmicas a partir da Base Tratada para modelar as métricas do negócio. Elas foram necessárias para calcular a Meta vs. Receita, a performance individual (Vendedor por Ano) e a agregação de vendas por produto, preparando os dados para a visualização final.
D. Dashboard (Visualização Final)
Foco da Descrição: O Dashboard é a interface final, projetada para ser intuitiva e acionável para a gestão. Foram utilizados Gráficos de Linha, Coluna e segmentadores de dados para permitir que o usuário explore a fundo os insights gerados nas Tabelas Dinâmicas.
3. Principais Insights e Impacto Estratégico
O dashboard forneceu insights específicos que guiaram a estratégia e o coaching da equipe:
Gráfico Analisado
Insight de Negócio
Ação Recomendada
Meta vs. Receita
Identificação dos períodos de baixa sazonalidade (Q1 e meados do ano), onde a receita consistentemente cai abaixo da meta.
Focar campanhas de cross-selling nesses meses para suavizar a curva de receita.
Análise Vendedor vs Produto
O vendedor Paulo demonstra baixo desempenho em produtos de alta receita como Power BI e Python (onde outros líderes se destacam).
Treinamento direcionado para Paulo em produtos de BI/Tecnologia, baseando-se no mix de sucesso do Alon.
Receita por Produto
Confirmação de que Excel e Power BI são os pilares da receita, enquanto produtos como VBA e Python apresentam maior volatilidade, sugerindo oportunidades para aumentar a base de clientes recorrentes nesses nichos.
Incentivar o cross-selling de produtos voláteis (como VBA) para clientes que já compraram os produtos pilares.
Performance Individual
Alon e Gabriel são os Top Performers em volume, mas João e Marcus exigem atenção por apresentarem os maiores gaps percentuais de meta.
Alocação de recursos gerenciais e coaching individual focado nos vendedores com maior gap de meta para uma recuperação rápida.
Conclusão
Este projeto demonstra a capacidade de construir uma solução robusta de BI utilizando apenas o Microsoft Excel, provando o domínio em limpeza, modelagem e visualização de dados, transformando dados brutos de transação em um painel estratégico para a tomada de decisões comerciais.