Projeto de portfólio desenvolvido com PostgreSQL e Power BI a partir de dados públicos de comércio eletrônico da Olist. O trabalho percorre todas as etapas da análise: organização dos dados brutos, criação de uma camada analítica, construção de indicadores, segmentação RFM e apresentação visual dos resultados.
O objetivo é transformar o histórico de compras em informações acionáveis para apoiar estratégias de retenção e relacionamento com clientes.
Como o histórico de compras pode ser utilizado para segmentar clientes e apoiar ações de retenção?
- PostgreSQL e pgAdmin 4;
- Power BI e Power Query;
- modelagem em camadas
stagingeanalytics; - tratamento de textos, datas e valores numéricos;
- chaves primárias e estrangeiras;
- CTEs e funções de janela;
- controle de granularidade nos relacionamentos;
- análise de recência, frequência e valor — RFM;
- criação de medidas DAX e dashboard executivo.
Foi utilizado o conjunto público Brazilian E-Commerce Public Dataset by Olist, com aproximadamente 100 mil pedidos realizados entre 2016 e 2018.
As seis tabelas utilizadas representam clientes, pedidos, pagamentos, itens, produtos e tradução das categorias. Os CSVs originais não estão incluídos neste repositório. As orientações para obtê-los e importá-los estão em dados/README.md.
flowchart TD
A[Arquivos CSV] --> B[Schema staging]
B --> C[Limpeza e conversão de tipos]
C --> D[Schema analytics]
D --> E[Agregações por pedido]
E --> F[Segmentação e RFM]
F --> G[Arquivos de resultados]
G --> H[Dashboard Power BI]
A camada staging preserva os dados brutos como texto. A camada analytics contém os tipos corretos, restrições de integridade e nomes padronizados.
Pagamentos e itens são agregados separadamente por order_id antes de serem combinados. Esse controle evita que pedidos com vários pagamentos e itens multipliquem linhas e inflem os valores.
- Quantos clientes fizeram compras?
- Qual é o valor total e mensal recebido?
- Qual é o ticket médio?
- Quem são os clientes com maior valor acumulado?
- Quais clientes compram com maior frequência?
- Há quanto tempo cada cliente não compra?
- Quais clientes podem ser considerados ativos, em risco ou inativos?
- Quais categorias são mais compradas por cada segmento?
- Qual é a taxa de recompra?
- Como os clientes podem ser classificados por recência, frequência e valor?
- são considerados pedidos com status
deliverede pagamento registrado; - o cliente é identificado por
customer_unique_id; - o valor analisado corresponde à soma dos pagamentos dos pedidos entregues;
- a recência utiliza como referência a última data de compra presente na base;
- cliente recorrente é aquele que possui dois ou mais pedidos entregues;
- a classificação de retenção considera até 90 dias como ativo, de 91 a 180 dias como em risco e acima de 180 dias como inativo.
Período analisado: 03/10/2016 a 29/08/2018.
| Indicador | Resultado |
|---|---|
| Pedidos entregues | 96.477 |
| Clientes únicos | 93.357 |
| Valor total recebido | R$ 15.422.461,77 |
| Ticket médio | R$ 159,86 |
| Ticket mediano | R$ 105,28 |
| Clientes de compra única | 90.556 |
| Clientes recorrentes | 2.801 |
| Taxa de recompra | 3,00% |
O ticket médio ficou aproximadamente 51,8% acima da mediana, indicando influência de pedidos de valor elevado. A taxa de recompra de apenas 3% demonstra uma oportunidade relevante de estimular a segunda compra.
O maior valor mensal ocorreu em novembro de 2017: R$ 1.153.528,05, distribuídos em 7.289 pedidos entregues. Em 2018, os valores mensais permaneceram próximos ou superiores a R$ 1 milhão na maior parte do período observado.
O crescimento ocorreu principalmente pelo aumento do volume de pedidos, enquanto o ticket médio mensal permaneceu relativamente estável. Os meses iniciais e o final de agosto de 2018 devem ser interpretados com cautela por possuírem cobertura parcial.
| Segmento | Clientes | Participação | Valor acumulado | Valor médio por cliente | Recência média |
|---|---|---|---|---|---|
| Em risco: valiosos | 30.190 | 32,34% | R$ 9.055.190,90 | R$ 299,94 | 281,96 dias |
| Hibernando | 44.647 | 47,82% | R$ 3.243.061,86 | R$ 72,64 | 287,41 dias |
| Novos promissores | 12.084 | 12,94% | R$ 1.947.597,51 | R$ 161,17 | 29,81 dias |
| Alto valor recente | 2.822 | 3,02% | R$ 875.203,32 | R$ 310,14 | 70,68 dias |
| Clientes regulares | 3.554 | 3,81% | R$ 264.456,25 | R$ 74,41 | 74,04 dias |
| Clientes fiéis | 51 | 0,05% | R$ 26.096,11 | R$ 511,69 | 48,94 dias |
| Campeões | 9 | 0,01% | R$ 10.855,82 | R$ 1.206,20 | 16,89 dias |
Os grupos Em risco: valiosos e Hibernando reúnem 74.837 clientes, equivalentes a 80,16% da base, e concentram R$ 12.298.252,76. O grupo Em risco: valiosos, isoladamente, representa aproximadamente 58,72% de todo o valor recebido e constitui a principal prioridade de reativação.
| Segmento | Categorias com maior quantidade de itens |
|---|---|
| Ativos | Beleza e saúde; Cama, mesa e banho; Utilidades domésticas; Relógios e presentes; Esporte e lazer |
| Em risco | Cama, mesa e banho; Beleza e saúde; Esporte e lazer; Móveis e decoração; Informática e acessórios |
| Inativos | Cama, mesa e banho; Esporte e lazer; Móveis e decoração; Beleza e saúde; Informática e acessórios |
As categorias são analisadas dentro de cada segmento. Como os grupos possuem tamanhos diferentes, suas contagens absolutas não devem ser utilizadas isoladamente para comparar afinidade entre segmentos.
O dashboard foi organizado em três páginas complementares.
Apresenta o período analisado, valor total recebido, quantidade de pedidos e clientes, tickets médio e mediano, taxa de recompra e evolução mensal.
Compara o tamanho e o valor acumulado dos segmentos, destacando os clientes que exigem maior atenção para ações de retenção.
Permite selecionar os grupos Ativo, Em risco e Inativo e examinar as categorias com maior quantidade de itens e maior valor de produtos.
O arquivo editável está disponível em powerbi/dashboard_analise_clientes_olist.pbix.
- A base possui 93.357 clientes, mas apenas 2.801 realizaram ao menos uma recompra.
- A taxa de recompra de 3% mostra que a retenção é o principal ponto de atenção da operação analisada.
- O valor total recebido chegou a R$ 15,42 milhões, com pico em novembro de 2017.
- A diferença entre ticket médio e mediano revela a influência de uma parcela menor de pedidos de alto valor.
- Mais de 80% dos clientes estão nos segmentos Hibernando ou Em risco: valiosos.
- Os clientes Em risco: valiosos combinam alto valor histórico e longo período sem comprar, formando a prioridade mais relevante para ações de recuperação.
- Os Novos promissores representam oportunidade de conversão para uma segunda compra antes que migrem para grupos de maior recência.
- criar campanhas de segunda compra para novos clientes, com comunicação em uma janela curta após o primeiro pedido;
- priorizar clientes Em risco: valiosos com ofertas personalizadas e baseadas nas categorias já compradas;
- adotar campanhas de menor custo para clientes Hibernando de baixo valor;
- oferecer benefícios de relacionamento aos poucos clientes frequentes e recentes;
- adaptar as campanhas às categorias preferidas de cada segmento de retenção;
- acompanhar periodicamente a taxa de recompra e a movimentação dos clientes entre segmentos;
- testar as ações com grupos de controle antes de ampliar o investimento.
Os dados consolidados utilizados pelo Power BI estão disponíveis na pasta resultados:
- A base termina em agosto de 2018; portanto, a recência é relativa a esse período.
- Os limites de 90 e 180 dias são hipóteses analíticas, e não regras oficiais da Olist.
- O valor pago em pedidos entregues é utilizado como aproximação analítica, não como faturamento contábil ou receita líquida.
- A base não possui informações sobre margem, custo de aquisição de clientes ou resultados de campanhas.
- Os resultados descrevem o período e a base analisados e não devem ser generalizados sem validação adicional.
- Crie um banco de dados vazio no PostgreSQL.
- Execute
sql/01_criacao_staging.sql. - Baixe e importe os seis CSVs conforme as orientações de
dados/README.md. - Execute
sql/02_criacao_camada_analytics.sql. - Execute
sql/03_views_analiticas.sql. - Execute
sql/04_analise_clientes.sql. - Execute
sql/05_resumo_executivo.sqlpara gerar as saídas consolidadas. - Exporte as consultas para a pasta
resultadosou utilize os CSVs já disponibilizados. - Abra
dashboard_analise_clientes_olist.pbixno Power BI Desktop.
Ao mover o projeto para outro diretório, pode ser necessário atualizar os caminhos dos arquivos CSV em Transformar dados → Configurações da fonte de dados no Power BI.
analise-clientes-olist-sql/
├── README.md
├── LICENSE
├── dados/
│ └── README.md
├── imagens/
│ ├── dashboard_visao_geral.png
│ ├── dashboard_segmentacao_rfm.png
│ └── dashboard_retencao_categorias.png
├── powerbi/
│ └── dashboard_analise_clientes_olist.pbix
├── resultados/
│ ├── indicadores_gerais.csv
│ ├── evolucao_mensal.csv
│ ├── segmentos_rfm.csv
│ └── categorias_por_segmento.csv
└── sql/
├── 01_criacao_staging.sql
├── 02_criacao_camada_analytics.sql
├── 03_views_analiticas.sql
├── 04_analise_clientes.sql
└── 05_resumo_executivo.sql
Projeto desenvolvido por Liliane Rose Refatti.


