IEFA — CPAINT

Código: DATA201
Nível: Intermediário
Pré-requisitos: STAT101, EXCL101

Objetivos de Aprendizagem

Ao final desta matéria, o aluno deverá ser capaz de:

Realizar Análise Exploratória de Dados (EDA) para identificar padrões e anomalias.
Segmentar dados (Curva ABC) para priorizar esforços de gestão.
Interpretar séries temporais (Sazonalidade, Tendência, Ciclicidade).
Criar dashboards executivos para comunicação de resultados.
Aplicar Data Storytelling para estruturar apresentações executivas que conectem dados a decisões.

Cobertura no Cronograma

Módulo	Tópico	Tipo
Módulo 1	Qualidade de Dados	Teoria
Módulo 1	Estruturação de Banco de Dados	Teoria
Módulo 1	Normalização 1NF e 2NF	Teoria+Prática
Módulo 4	EDA — Identificando anomalias na demanda	Prática
Módulo 5	Decomposição de Séries (Tendência/Sazonalidade)	Teoria
Módulo 5	Princípio de Pareto (80/20)	Teoria
Módulo 5	Curva ABC para Gestão de Estoque	Prática
Módulo 6	Visualização de Dados Eficiente	Teoria
Módulo 6	Data Storytelling para Gestores	Prática
Módulo 9	Dashboard de KPIs de Estoque	Prática

Tópicos Abordados

Qualidade de Dados

Base de tudo: dados ruins geram decisões ruins.

Tipos de problema: Valores ausentes, duplicatas, erros de digitação, unidades inconsistentes.
Regra "Garbage In, Garbage Out": Nenhum modelo corrige dados corrompidos na origem.
Processos de limpeza: Padronização de formatos, detecção de duplicatas, imputação de valores ausentes.

Estruturação de Banco de Dados

Dados estruturados vs. não estruturados: Tabelas com colunas definidas vs. documentos, e-mails, imagens.
Tabela bem estruturada: Cada coluna é um atributo; cada linha é um registro único.
Chave primária: Identificador único de cada registro (ex.: código CATMAT do item).
Chave estrangeira: Campo que referencia outra tabela (ex.: código da unidade no registro de consumo).

Normalização (1NF e 2NF)

1ª Forma Normal (1NF): Cada célula contém um único valor atômico. Sem listas dentro de células, sem colunas repetidas.
2ª Forma Normal (2NF): Todo atributo não-chave depende da chave inteira — elimina dependências parciais.
Por que importa: Normalização evita anomalias de atualização, inserção e exclusão que corrompem históricos de consumo.

Conexão com Excel

As regras de normalização explicam por que a planilha-modelo com dados misturados (ex.: nome do fornecedor junto com o pedido) gera problemas ao fazer PROCV — viola a 2NF.

Análise Exploratória de Dados (EDA)

O primeiro passo antes de qualquer previsão.

Estatísticas descritivas: Média, mediana, desvio padrão, mínimo/máximo de cada item.
Identificação de anomalias: Picos de consumo (operações especiais), vales (ruptura de estoque mascarando demanda real), outliers.
Gráficos de linha: Evolução temporal do consumo — identifica tendências e sazonalidade visualmente.
Histogramas: Distribuição da demanda — confirma se a hipótese de normalidade é razoável.
Box plots: Comparação rápida entre múltiplos itens ou períodos.

Curva ABC (Princípio de Pareto / 80-20)

Premissa: ~20% dos itens respondem por ~80% do valor consumido.
Classificação:
- Classe A: Alto valor. Controle rigoroso, revisão frequente, ES conservador.
- Classe B: Valor médio. Controle moderado.
- Classe C: Baixo valor. Controle simplificado, pedidos menos frequentes, maior ES relativo.
Construção no Excel (Módulo 5): Ordenar por valor decrescente → calcular % acumulado → classificar.
Impacto na gestão: Itens A exigem parâmetros de reposição precisos; itens C podem ser geridos com regras simples.

Decomposição de Séries Temporais

Uma série de demanda tem quatro componentes:

Componente	Descrição	Exemplo
Tendência	Movimento de longo prazo (crescimento/queda)	Aumento de consumo por ampliação da frota
Sazonalidade	Padrão que se repete em ciclo fixo	Pico de consumo de uniformes em março
Ciclicidade	Oscilações de longo prazo sem período fixo	Ciclos orçamentários
Resíduo	Variação aleatória não explicada	Eventos imprevistos

Por que decompor: Previsões mais precisas ao modelar cada componente separadamente.
Índice Sazonal: Calculado pela razão entre o valor do período e a média do ano.

Visualização de Dados Eficiente

Gráfico de linha: Séries temporais e tendências.
Gráfico de barras: Comparação entre categorias (itens, unidades, períodos).
Gráfico de dispersão: Correlação entre duas variáveis.
Mapa de calor: Matriz de correlação ou consumo por período × item.
Regra: Um gráfico, uma mensagem. Evite decoração que não comunica.

Data Storytelling para Gestores

Pyramid Principle: Comece pela conclusão (resposta ao decisor), depois apresente os argumentos e dados de suporte.
Estrutura SCAR: Situação → Complicação → Análise → Recomendação.
Erros comuns: Apresentar dados sem conclusão, usar jargão técnico com o tomador de decisão, excesso de gráficos.

Dashboard de KPIs de Estoque

KPIs essenciais: Giro de estoque, cobertura em dias, acuracidade de inventário, % de rupturas.
Boas práticas de dashboard: Hierarquia visual clara, semáforo (vermelho/amarelo/verde), atualização automática via tabela dinâmica.
Conexão com LOGI201: Os KPIs são calculados em LOGI201 e visualizados aqui.

Materiais de Consulta

PROVOST, Foster; FAWCETT, Tom. Data Science para Negócios. Alta Books, 2016. (Fundamental para entender como dados geram valor).
Artigo: "The Pyramid Principle" (comunicação de dados).
Dataset: Histórico de 5 anos de licitações.

Avaliação

Exercícios Práticos

Receber um dataset bruto com erros e aplicar o processo completo de limpeza (EDA → identificação → correção).
Construir a Curva ABC de um catálogo de 50 itens e propor política diferenciada por classe.
Decompor uma série de 24 meses: identificar tendência e sazonalidade, calcular índices sazonais.
Criar um dashboard de KPIs de estoque em Excel com formatação condicional e semáforo.
Apresentar os resultados da Curva ABC em formato executivo (Pyramid Principle, 5 minutos).

DATA201 - Análise de Dados