Pipeline automatizado de limpeza de dados e visualização estratégica de performance comercial.
Link para o Dashboard e Relatório de Auditoria: Modo Live do Projeto
Este projeto foi desenvolvido como uma solução técnica completa para o gerenciamento e análise de dados de CRM. Ele ataca diretamente o problema de "dados sujos" que frequentemente distorcem as métricas de Sales Operations, impedindo uma tomada de decisão segura.
O ecossistema consiste em um pipeline de Data Quality que audita bases corrompidas, corrige divergências financeiras e gera automaticamente um dashboard executivo interativo com os principais KPIs de venda.
- Auditoria Automatizada: Identifica inconsistências em cidades, estágios de venda e taxonomia de fontes de lead.
- Recálculo Financeiro: Corrige o valor total das oportunidades (
Amount) com base na soma real dos produtos, eliminando erros de input manual. - Dashboard Executivo: Visualização de 10 métricas críticas, incluindo Win Rate, Receita MoM, Ciclo de Venda e Mix de Negócios (New Business vs Upsell).
- Relatórios de Erros: Geração de um arquivo HTML (
relatorio_erros.html) com badges de status para facilitar a identificação de registros que precisam de correção no CRM. - Layout Híbrido: Design responsivo com destaques para métricas de receita e grade de detalhes para métricas operacionais.
 |
 |
|---|---|
| Destaque (Receita e Fontes) | Métricas de Conversão e Pipeline |
- Linguagem: Python
- Processamento de Dados: Pandas (Deduplicação, Normalização e lógica de ETL)
- Visualização Interativa: Plotly Express (Gráficos dinâmicos e responsivos)
- Relatórios: HTML5 & CSS3 (Layout de Grid customizado)
- Manipulação de Arquivos: OpenPyXL (Leitura e escrita de Excel)
O projeto vai além do código, entregando inteligência para a liderança:
- Eficiência de Canais: Identificamos que a fonte Referral possui o maior Win Rate, sugerindo uma estratégia focada em parcerias.
- Saúde do Pipeline: O dashboard revela $75M em volume total, mas com concentração em estágios iniciais, alertando para a necessidade de aceleração de deals.
- Data Quality: A automação identificou e filtrou registros com cidades fora do padrão e estágios inválidos, elevando a confiabilidade da base para 100%.
Este projeto utilizou IA generativa (Gemini) como copiloto técnico e analítico ao longo de todo o desenvolvimento, com foco em acelerar a análise, garantir consistência e apoiar decisões.
-
Auditoria de Dados: A IA foi utilizada para identificar padrões de inconsistência na base
opps_corrupted.xlsx, sugerindo regras de normalização para campos categóricos (ex: taxonomia de lead source) e possíveis validações estruturais. -
Desenvolvimento e Debugging: Apoio na escrita e refatoração de código Python, incluindo tratamento de dados, validações e geração de relatórios. As sugestões foram sempre revisadas e adaptadas conforme o contexto do problema.
-
Validação de Lógica e Regras: Utilizada para revisar regras de negócio (ex: cálculo de receita, deduplicação por oportunidade) e identificar possíveis edge cases.
-
Geração de Insights: Apoio na interpretação dos dados tratados, auxiliando na formulação de hipóteses e recomendações para melhoria do pipeline comercial.
-
Produtividade: A utilização da IA reduziu o tempo de desenvolvimento e permitiu maior foco na análise crítica dos dados e na qualidade das entregas.
Todas as decisões finais, validações e definições de regra foram realizadas manualmente, utilizando a IA como ferramenta de apoio.
Para o funcionamento correto, mantenha a estrutura:
data/raw (original), data/processed (processado) e reports (saídas).
-
Clone o repositório:
git clone https://github.com/MateusLima909/case-monks.git cd case-monks -
Instale as dependências:
pip install pandas plotly openpyxl
-
Execute a Limpeza e Auditoria:
python src/limpeza.py
- Gera a base tratada e o relatório de erros detalhado.
-
Gere o Dashboard de Análise:
python src/analise.py
- Visualize o resultado final abrindo o arquivo
reports/analise.htmlno seu navegador.
- Visualize o resultado final abrindo o arquivo
Este projeto foi desenvolvido como um estudo de caso técnico. Feedbacks e sugestões de novas métricas são sempre bem-vindos! Sinta-se à vontade para abrir uma issue.
Desenvolvido por Mateus Lima.