Mexe Primeiro, Entende Depois

Cinco capítulos, um dataframe mestre de quase 120 mil linhas, quatro modelos treinados, SHAP, segmentação de cliente. Antes de qualquer explicação, aqui está o resultado inteiro na sua mão. Arrasta o slider, gira o scatter, troca a métrica do mapa. Se alguma coisa te prender a atenção e você quiser entender o "porquê" por trás, começa pelo capítulo 1, essa vitrine não substitui a jornada, só abre o apetite. O painel de frete, faturamento e o simulador logo abaixo vêm de um notebook à parte, público no Colab.

O limiar que decide "vai atrasar" ou não

O capítulo 4 treinou dois modelos pra prever atraso na entrega, e o capítulo 5 achou que no threshold padrão (0,5) os dois praticamente não enxergavam nada. Arrasta e descobre o ponto onde cada um acorda.

Os quatro tipos de cliente, em 3D

Os clusters do capítulo 5, por padrão recência no eixo x, valor gasto na altura, frequência de compra na profundidade, mas você pode trocar qual dimensão vai em qual eixo. Gira e repara como o grande comprador esporádico e o cliente recorrente praticamente se escondem no meio da nuvem de compradores únicos, e confere os números reais de cada grupo na tabela abaixo do gráfico.

Quatro modelos, quatro métricas, um gráfico só

Baseline, Regressão Logística, Random Forest e XGBoost no cenário de atraso. Repara como Baseline e Random Forest praticamente desaparecem fora do eixo AUC.

Carregando dados reais...

Receita por categoria, em blocos

O mesmo dado do capítulo 2, agora como blocos proporcionais em vez de barra, cada retângulo do tamanho da receita real da categoria.

Carregando dados reais...

Da região do cliente até a nota da avaliação

Região → status de entrega → faixa de nota, o funil logístico inteiro num fluxo só.

Carregando dados reais...

Frete, faturamento e frete pago, por estado (e por cidade se você clicar)

Três métricas que nenhum capítulo anterior mostrou: frete como fração do valor da nota, faturamento total e frete pago, por estado. Clica num estado no mapa e ele abre as top 10 cidades daquele estado na mesma métrica.

Faturamento mês a mês, no seu período

Arrasta os dois cursores e escolhe a janela de tempo. O total embaixo soma só o que está dentro do período selecionado, na hora.

E se seu produto fosse diferente? Simula o frete

A peça mais "ML aplicado ao dia a dia de gestão" de todas: mexe no peso, nas dimensões e na distância, e o frete previsto recalcula na hora, usando os coeficientes de uma regressão linear treinada nos mesmos dados do capítulo 4.

Carregando dados reais...

Curioso?

Isso foi só o resultado. Se quiser o processo inteiro (o modelo relacional, o vazamento de dado que quase enganou um modelo inteiro, o threshold, o SHAP), começa pelo capítulo 1.