Dashboard Foodpanda
Dashboard desenvolvido em Power BI com dados do Kaggle, focado na análise de desempenho de vendas, retenção de clientes e comportamento de consumo. O projeto explora KPIs estratégicos como receita, ticket médio, churn, métodos de pagamento e categorias de produtos, transformando dados operacionais em insights para tomada de decisão no setor de delivery.
Foodpanda — Análise Exploratória de Dados
Análise exploratória do dataset Foodpanda (6.000 pedidos) com foco em comportamento do cliente, desempenho de restaurantes, padrões de receita e churn. O objetivo é extrair insights acionáveis para estratégias de retenção e crescimento.
Visão Geral do Dataset
6.000
Total de Pedidos
6.000
Clientes Únicos
R$ 800,52
Ticket Médio
5
Restaurantes
5
Cidades Atendidas
49,7%
Taxa de Churn
Receita por Restaurante
Receita Total por Restaurante (em milhões)
Insight
Pizza Hut e Subway lideram com ~R$ 3M cada, mas o McDonald's fica atrás com R$ 2.64M — uma diferença de 12% em receita. Oportunidade de promocionar combos McDonald's.
Status de Entrega
Distribuição de Status de Entrega
Alerta: Apenas 34% Entregues com Sucesso
66% dos pedidos tiveram problemas (33% atrasados + 33% cancelados). Isso é um indicador crítico de falha operacional logística e explica as notas baixas.
Análise de Churn
Clientes Ativos vs Inativos
A taxa de churn de 49,7% é alarmante — praticamente metade dos clientes estão inativos. Curiosamente, a média de pontos de fidelidade é similar entre ativos (248) e inativos (252), indicando que o programa de fidelidade NÃO está funcionando como retenção.
Pratos Mais Pedidos
Top 5 Pratos por Volume de Pedidos
Código da Análise
import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('Foodpanda Analysis Dataset.csv')
# Receita por restaurante
df['revenue'] = df['price'] * df['quantity']
rev = df.groupby('restaurant_name')['revenue'].sum().sort_values(ascending=False)
# Churn rate
churn_rate = df['churned'].value_counts(normalize=True)
print(f"Taxa de Churn: {churn_rate['Inactive']:.1%}")
# Delivery success rate
delivery = df['delivery_status'].value_counts(normalize=True)
print(f"Entregas com sucesso: {delivery['Delivered']:.1%}")
print(f"Cancelados: {delivery['Cancelled']:.1%}")
print(f"Atrasados: {delivery['Delayed']:.1%}")
# Rating médio por restaurante
avg_rating = df.groupby('restaurant_name')['rating'].mean()
print("\nRating médio por restaurante:")
print(avg_rating.sort_values(ascending=False))Resumo Executivo
| Indicador | Valor | Status |
|---|---|---|
| Taxa de Churn | 49,7% | 🔴 Crítico |
| Entregas com Sucesso | 34,3% | 🔴 Crítico |
| Pedidos Cancelados | 32,8% | 🔴 Crítico |
| Pedidos Atrasados | 32,9% | 🟡 Atenção |
| Rating Médio Geral | 3.0 / 5.0 | 🟡 Atenção |
| Ticket Médio | R$ 800,52 | 🟢 Saudável |
| Efetividade Loyalty Points | Sem impacto no churn | 🔴 Crítico |
Recomendações Estratégicas
1) Priorizar melhoria logística — 66% de falha na entrega é insustentável. 2) Reestruturar programa de fidelidade — pontos não reduzem churn. 3) Investigar causa raiz dos cancelamentos. 4) Focar campanhas de retenção em Karachi (menor volume) e McDonald's (menor receita).
Como navegar no portfólio
Um guia rápido para recrutadores e visitantes
Acesse "Projetos"
Clique em "Ver projetos" ou no menu "Projetos" para ver todos os trabalhos disponíveis organziados por tipo.
Filtre por BI ou Análise
Use os filtros "BI" ou "Análise / ML" para encontrar dashboards Power BI ou análises exploratórias com Python.
Explore o projeto
Dentro do projeto, alterne entre as abas "BI" e "Análise" para ver o dashboard interativo e o código Python com gráficos e insights.