Automação de análise de preços de combustíveis com Python utilizando dados públicos da ANP, com foco em padronização, redução de trabalho manual e apoio à tomada de decisão recorrente.
Este projeto transforma arquivos brutos da ANP em uma base tratada e um relatório analítico em Excel, automatizando um processo que normalmente seria manual, reduzindo erros operacionais e permitindo análises recorrentes de forma padronizada.
Bases públicas como as da ANP não vêm prontas para análise.
Antes de qualquer insight, é necessário:
- consolidar múltiplos arquivos
- padronizar colunas
- tratar valores inconsistentes
- corrigir formatos de data e número
Esse processo manual é demorado, sujeito a erro e dificulta análises recorrentes.
Foi desenvolvido um pipeline automatizado em Python que:
- lê múltiplos arquivos CSV da ANP
- consolida os dados em uma única base
- realiza limpeza e padronização
- filtra apenas registros de gasolina
- trata valores inválidos
- converte datas e preços
- remove outliers
- calcula indicadores
- gera automaticamente um relatório em Excel
O resultado é um fluxo automatizado que permite gerar análises consistentes de forma recorrente, sem necessidade de intervenção manual.
Embora o foco principal do projeto seja a automação do tratamento e da geração do relatório, a estrutura final também permite explorar algumas hipóteses analíticas relevantes sobre os preços de combustíveis.
A consolidação da base permite comparar preços médios por recorte geográfico, facilitando a identificação de diferenças regionais de comportamento.
A análise de dispersão ajuda a observar se os preços se mantêm relativamente homogêneos ou se apresentam alta variação dentro de estados ou regiões.
A visualização por período permite acompanhar oscilações e identificar padrões temporais no comportamento dos preços.
A análise de extremos ajuda a destacar recortes com maior amplitude de preços, o que pode ser útil para acompanhamento periódico e comparação de mercado.
data/raw → data/processed → output
- Fonte: ANP (Agência Nacional do Petróleo)
- Produto analisado: Gasolina
- Período analisado: Jan/2026 a Fev/2026
- Registros finais após tratamento: 33.942
O relatório foi estruturado para responder:
- qual o preço médio da gasolina por estado
- como o preço evolui ao longo do tempo
- quais estados apresentam maior dispersão de preços
- como o comportamento muda por estado e período
A automação não apenas gera um relatório estruturado, mas também apoia decisões práticas a partir dos dados analisados.
- Dado utilizado: preço médio por estado
- Decisão: identificar regiões com preços acima ou abaixo da média
- Impacto: melhor entendimento do posicionamento regional e suporte à análise de competitividade
- Dado utilizado: preço médio mensal
- Decisão: identificar tendências de alta ou queda
- Impacto: antecipação de movimentos de mercado e acompanhamento contínuo
- Dado utilizado: dispersão de preços por estado
- Decisão: detectar regiões com alta variação de preços
- Impacto: direcionamento de análises mais detalhadas ou investigação de anomalias
- Dado utilizado: combinação estado x mês
- Decisão: identificar padrões recorrentes ou comportamentos específicos
- Impacto: suporte a planejamento e acompanhamento operacional
-
Estados da região Norte apresentaram os maiores preços médios, com destaque para AM (~6,95), RO (~6,91) e RR (~6,90)
-
Houve leve queda no preço médio entre janeiro e fevereiro de 2026 (de 6,3119 para 6,3004)
-
Estados como PA, AL e MA apresentaram maior dispersão de preços, indicando maior variação interna
-
São Paulo apresentou preço médio inferior (6,17), sugerindo maior estabilidade e competitividade no mercado
O relatório automatizado pode ser utilizado de forma recorrente para apoiar o acompanhamento contínuo dos preços de combustíveis.
- Ação: rodar a automação em intervalos regulares (semanal ou mensal)
- Por quê: permite acompanhar a evolução dos preços ao longo do tempo
- Benefício: elimina trabalho manual e garante consistência na análise
- Ação: comparar preços médios entre estados
- Por quê: diferenças regionais são relevantes no comportamento dos preços
- Benefício: identificação rápida de regiões com preços acima ou abaixo da média
- Ação: observar estados com maior variação interna de preços
- Por quê: alta dispersão pode indicar inconsistências ou oportunidades
- Benefício: direciona análises mais aprofundadas
- Ação: utilizar o relatório como parte do processo de análise periódica
- Por quê: a automação reduz esforço manual e padroniza o processo
- Benefício: ganho de eficiência e maior confiabilidade dos dados
- Base tratada em CSV
- Relatório Excel com abas:
- Base_Dados
- KPI_Estado
- KPI_Mensal
- KPI_Dispersao
- KPI_Estado_Mes
anp-fuel-price-report-automation/ ├── assets/ ├── data/ ├── scripts/ ├── output/ └── README.md
pip install -r requirements.txt
python scripts/transform_anp_data.py
- Python
- pandas
- xlsxwriter
- openpyxl
Este projeto pode ser aplicado como um serviço de automação de relatórios analíticos, voltado para empresas que precisam acompanhar dados de forma recorrente com consistência e baixo esforço manual.
- empresas que trabalham com análise de preços ou dados recorrentes
- negócios que utilizam Excel como ferramenta principal de análise
- equipes que dependem de processos manuais para consolidar dados
- consolidação manual de múltiplos arquivos
- inconsistência na padronização de dados
- tempo elevado gasto na preparação da base
- dificuldade de manter análises atualizadas
- automação em Python para tratamento e consolidação de dados
- geração de base tratada pronta para análise
- relatório estruturado em Excel com indicadores e visualizações
- execução recorrente (semanal ou mensal)
- atualização contínua da base e do relatório
- suporte a acompanhamento periódico de indicadores
- a maior parte do trabalho em dados está na preparação da base
- automação só gera valor com lógica consistente
- dados não tratados levam a análises erradas
- consistência entre métricas é essencial
Raphael Guardiano
Projeto desenvolvido como parte da transição para a área de análise de dados, com foco em automação e geração de insights a partir de dados reais.