Este projeto analisa a operação logística de um e-commerce brasileiro (Olist), com foco na identificação de fatores que influenciam atrasos nas entregas.
A análise foi conduzida utilizando Excel, com abordagem orientada a problema de negócio.
Os atrasos nas entregas impactam diretamente a experiência do cliente e podem gerar perdas operacionais e reputacionais.
A questão central é:
Quais fatores aumentam o risco de atraso nas entregas?
Investigar os principais drivers de atraso logístico e gerar insights acionáveis para melhoria da operação.
Base utilizada: Olist E-commerce Dataset (Kaggle)
Período analisado: Set/2016 a Ago/2018
- % de pedidos atrasados
- Prazo médio de entrega (dias)
- Atraso médio (dias)
- Valor médio do pedido
- Valor médio do frete
- Total de pedidos
Pedidos com prazos mais longos apresentam aumento significativo na taxa de atraso.
O tempo de despacho dos vendedores impacta diretamente a probabilidade de atraso.
Pedidos com despacho de até 9 dias apresentam taxa média de atraso de aproximadamente 5,7%, enquanto pedidos com despacho superior a 10 dias atingem cerca de 29,2%.
Isso evidencia que o atraso não é apenas um problema da etapa de entrega, mas começa na fase anterior de processamento do pedido.
O valor do frete foi analisado como variável explicativa do atraso.
Pedidos com frete mais elevado apresentam maior risco de atraso, sugerindo maior complexidade logística (ex: distância, regiões mais remotas ou operações mais complexas).
-
Pedidos com prazo acima de 20 dias apresentam aumento acentuado na taxa de atraso, indicando limitações no planejamento logístico.
-
O tempo de despacho dos vendedores tem impacto direto no atraso: pedidos com despacho acima de 10 dias apresentam taxa de atraso cerca de 5 vezes maior do que pedidos com despacho mais rápido, indicando que o problema começa antes do envio.
-
Pedidos com maior valor de frete apresentam maior risco de atraso, sugerindo maior complexidade operacional.
-
O atraso é resultado da combinação de fatores ao longo da cadeia logística, e não de uma única causa isolada.
- Definir SLA de despacho (ex: até 2 dias)
- Monitorar sellers com atraso recorrente
- Criar alertas para pedidos com prazo elevado
- Revisar prazos prometidos ao cliente
- Priorizar pedidos com maior risco logístico
- Ajustar processos operacionais de envio
- Otimizar rotas logísticas
- Estruturar estratégia logística por região
- Avaliar criação de centros de distribuição
Foram identificadas pequenas inconsistências na base, incluindo:
- tempo de despacho negativo
- pedidos com dados incompletos
Esses casos foram tratados ou desconsiderados em análises específicas para garantir consistência dos resultados.
Este tipo de análise pode ser aplicado a operações reais de e-commerce para diagnosticar atrasos logísticos e identificar oportunidades de melhoria.
Problema resolvido:
Identificar por que os pedidos estão atrasando e em qual etapa do processo o problema começa.
Cliente ideal:
Pequenos e médios e-commerces que utilizam marketplaces ou operação própria de envio.
Entrega:
- Diagnóstico dos principais fatores de atraso
- Identificação de gargalos operacionais (ex: tempo de despacho)
- Análise de impacto dos fatores no atraso
- Recomendações práticas para redução de atrasos
Resultado esperado:
Redução da taxa de atraso, melhoria da previsibilidade das entregas e melhor experiência do cliente.
Os atrasos logísticos são resultado da combinação de fatores estruturais e operacionais ao longo da cadeia de entrega.
A análise mostra que o problema não se limita à etapa final de transporte. O tempo de despacho dos vendedores tem papel central, com aumento significativo na taxa de atraso quando esse tempo se prolonga.
Pedidos com despacho mais lento apresentam risco substancialmente maior de atraso, evidenciando que a origem do problema está na etapa inicial do processo logístico.
Melhorias dependem de ações integradas, com foco prioritário na eficiência do despacho, alinhamento de prazos e redução da variabilidade operacional.
- Excel
- Análise exploratória de dados (EDA)
- Estruturação de base analítica
Os dados brutos foram obtidos do dataset público Olist (Kaggle) e incluem os seguintes arquivos:
- olist_customers_dataset.csv
- olist_geolocation_dataset.csv
- olist_order_items_dataset.csv
- olist_order_payments_dataset.csv
- olist_order_reviews_dataset.csv
- olist_orders_dataset.csv
- olist_products_dataset.csv
- olist_sellers_dataset.csv
- product_category_name_translation.csv
A base analítica foi construída a partir da integração e tratamento dos dados brutos, consolidada na planilha:
olist_logistica_projeto.xlsx
Essa base foi utilizada para cálculo das métricas, análises e construção do dashboard.
Este projeto faz parte da minha transição para a área de Análise de Dados, com foco em resolver problemas reais de negócio com dados.
Atualmente desenvolvo dashboards em Excel, análises de KPIs e organização de bases de dados para apoiar decisões.
Aberto a oportunidades de projetos freelance e colaborações.