Maximize o dashboard no canto inferior direito do painel.
Escrever a intro
Baixe o script .R e rode em seu RStudio localmente.
Em seguida conecto no Meu Drive:
#install.packages("googledrive")
library(googledrive)
Mostra os arquivos disponíveis no Meu Drive
drive_find(n_max=30) # Mostra os arquivos no Meu Drive
# A tibble: 30 x 3
name id drive_resource
* <chr> <chr> <list>
1 Ferramenta de SEO Google Trend~ 1dAYdSCMFc6a9oMq7Rrmz7aTmvnY~ <named list [4~
2 Cópia de Exemplo de leitura Go~ 1ZyNNaznH32Q2nnI9D9JRva6Cw_2~ <named list [4~
3 Internacionalização 1aO_wbZKvjkYl9cTFLR6fKFyzVQd~ <named list [3~
4 PDI individual_ modelo 1EQ4_C1TO3Cm17Wc1DM8ubZQJ3Y2~ <named list [3~
5 Tecnofit - Info Clientes (Tecn~ 11I4wC3NM-ojC6hfk0P9aUNegoCJ~ <named list [3~
6 Tecnofit - Dados Análise Clien~ 1384fSRZYjnrQ5n4SspA-oo1Nma-~ <named list [3~
7 categorias_gtrends 1YnHEINsnHZYg4teLIY4MSADbIRC~ <named list [3~
8 subject 1qK0k8F3pabQDrsQinqHybL6VFZA~ <named list [3~
9 Csvs 1IJ7j91ViaUwqCBZofLUyjb6cEAq~ <named list [3~
10 dataset_credclientes.csv 1jcIyLxu19DnE1_QGyldpYL4fB1B~ <named list [3~
# ... with 20 more rows
Em seguida chamo a função para leitura do dataset:
cred_clientes <- read.csv(file="dataset_credclientes.csv", head=TRUE, sep=";") # Lê os dados
str(cred_clientes) # Mostra o dataset
'data.frame': 83208 obs. of 8 variables:
$ nome_cliente : chr "ACADEMIA CLUB FITNESS CURITIBA" "18 PHD SPORTS - AV. MARINGÁ - PINHAIS 3" "LIVING FITNESS" "04 PHD SPORTS - JOÃO NEGRÃO - CENTRO 5" ...
$ date : chr "2020/01" "2020/01" "2020/01" "2020/01" ...
$ alunos_ativos : int 198 805 256 433 90 910 130 226 1288 437 ...
$ total_em_recibo_venda : int 28456 51740 27435 44639 0 131855 17738 36632 183407 53297 ...
$ total_em_recebiveis : int 25934 64419 23233 44924 0 120121 17738 22207 136214 53447 ...
$ total_valor_cartao_credito_maquina : int 3284 20624 11120 2377 0 5333 0 5955 39523 170 ...
$ total_valor_cartao_credito_recorrencia: int 3820 27442 3331 15956 0 75221 0 3341 53117 75 ...
$ total_conta_pagar : int 1776 75460 0 31844 0 99816 0 0 0 0 ...
library(dplyr) # Biblioteca pra manipulação de dados
agrupa_alunos_ativos<-cred_clientes%>%
group_by(nome_cliente)%>%
summarise(qtd_alunos_ativos = sum(alunos_ativos, na.rm = TRUE))
agrupa_alunos_ativos%>%
arrange(desc(qtd_alunos_ativos)) # Mostra a academia com mais alunos ativos no período
# A tibble: 3,460 x 2
nome_cliente qtd_alunos_ativos
<chr> <int>
1 Clube Esperia 40637
2 FIT COMPANY 19032
3 A Fitness Ilha 17433
4 UPLAY FITNESS - GUARAPUAVA 16915
5 ACADEMIA DUQUE DE CAXIAS 16154
6 Uplay Fit - São Braz 15599
7 Academia Flex - Matriz 15498
8 Academia Movimentacao 15083
9 World Gym 14986
10 ACADEMIA VALPARAISO 14968
# ... with 3,450 more rows
Um gráfico do tipo treemap nos mostra as dimensões por nome de clientes ativos:
library(highcharter) # Biblioteca para treemap
tmap <- agrupa_alunos_ativos %>%
hchart(
"treemap",
hcaes(x = nome_cliente, value = qtd_alunos_ativos, color = qtd_alunos_ativos)
)
tmap # Treemap do número de alunos ativos no periodo todo
Vejamos agora o agrupamento por recebíveis:
agrupa_recebiveis<-cred_clientes%>%
group_by(nome_cliente)%>%
summarise(soma_recebiveis = sum(alunos_ativos, na.rm = TRUE))
agrupa_recebiveis%>%
arrange(desc(soma_recebiveis)) # Mostra a academia com mais recebiveis ativos no período
# A tibble: 3,460 x 2
nome_cliente soma_recebiveis
<chr> <int>
1 Clube Esperia 40637
2 FIT COMPANY 19032
3 A Fitness Ilha 17433
4 UPLAY FITNESS - GUARAPUAVA 16915
5 ACADEMIA DUQUE DE CAXIAS 16154
6 Uplay Fit - São Braz 15599
7 Academia Flex - Matriz 15498
8 Academia Movimentacao 15083
9 World Gym 14986
10 ACADEMIA VALPARAISO 14968
# ... with 3,450 more rows
E o treemap:
tmap_recebiveis <- agrupa_recebiveis %>%
hchart(
"treemap",
hcaes(x = nome_cliente, value = soma_recebiveis, color = soma_recebiveis)
)
tmap_recebiveis # Treemap do volume de recebíveis no período
Agrupando e classificando as contas a pagar:
agrupa_conta_pagar<-cred_clientes%>%
group_by(nome_cliente)%>%
summarise(soma_conta_pagar = sum(total_conta_pagar, na.rm = TRUE))
agrupa_conta_pagar%>%
arrange(desc(soma_conta_pagar)) # Mostra a academia com mais contas a pagar no período
# A tibble: 3,460 x 2
nome_cliente soma_conta_pagar
<chr> <int>
1 ACADEMIA SOBRADINHO 7451115
2 ACADEMIA VALPARAISO 5479651
3 ACADEMIA FORMOSA 5022931
4 A Fitness Ilha 4212369
5 ACADEMIA TAGUATINGA 3890189
6 ACADEMIA BRASIL 21 3801338
7 Espaço Fit 3601041
8 ACADEMIA PLANALTINA 3518440
9 Dynamo 1 3468438
10 ACADEMIA SANTA MARIA 1 3387854
# ... with 3,450 more rows
tmap_conta_pagar <- agrupa_conta_pagar %>%
hchart(
"treemap",
hcaes(x = nome_cliente, value = soma_conta_pagar, color = soma_conta_pagar)
)
tmap_conta_pagar # Treemap das contas futuras empenhadas a pagar
Dos clientes selecionados que utilizam a máquina de cartão de crédito, agrupamos:
agrupa_cc_maquina<-cred_clientes%>%
group_by(nome_cliente)%>%
summarise(soma_cc_maquina = sum(total_valor_cartao_credito_maquina, na.rm = TRUE))
agrupa_cc_maquina%>%
arrange(desc(soma_cc_maquina)) # Mostra a academia com mais uso de cartão de crédito máquina no período
# A tibble: 3,460 x 2
nome_cliente soma_cc_maquina
<chr> <int>
1 FITNESS FRIENDS ACADEMIA 4129641
2 Academia Golfinho Azul 2426918
3 World Gym 1591372
4 FIT COMPANY 1477768
5 Army Crossfit CLF 1457234
6 Winners Academia 1439965
7 Academia Vicente Soares 1394005
8 UPLAY FITNESS - GUARAPUAVA 1381438
9 Hangar 193 CrossFit 1372612
10 Academia Horizon 1269996
# ... with 3,450 more rows
tmap_cc_maquina <- agrupa_cc_maquina %>%
hchart(
"treemap",
hcaes(x = nome_cliente, value = soma_cc_maquina, color = soma_cc_maquina)
)
tmap_cc_maquina # Treemap do uso de máquina de cartão de crédito como forma de recebimento
Agrupando por cartão de crédito recorrência temos:
agrupa_cc_recorrencia <- cred_clientes%>%
group_by(nome_cliente)%>%
summarise(soma_cc_recorrencia = sum(total_valor_cartao_credito_recorrencia, na.rm = TRUE))
agrupa_cc_recorrencia%>%
arrange(desc(soma_cc_recorrencia)) # Mostra a academia com mais uso de cartão de crédito recorrencia no período
# A tibble: 3,460 x 2
nome_cliente soma_cc_recorrencia
<chr> <int>
1 ACADEMIA VALPARAISO 1447624
2 CFP9 CasaShopping 1363264
3 Academia Movimentacao 1254396
4 Nine Treinamento Fisico Funcional LTDA - ME 1043684
5 Mood 1012995
6 ACADEMIA FORMOSA 1006079
7 ACADEMIA SANTA MARIA 1 969700
8 ACADEMIA SOBRADINHO 960154
9 ACADEMIA ONE 913166
10 CFP9 Barrinha 912761
# ... with 3,450 more rows
tmap_cc_recorrencia <- agrupa_cc_recorrencia%>%
hchart(
"treemap",
hcaes(x = nome_cliente, value = soma_cc_recorrencia, color = soma_cc_recorrencia)
)
tmap_cc_recorrencia # Treemap da recorrência no recebimento via cartão de crédito
Agrupamos aqui a combinação de variáveis (p. ex. alunos_ativos x total_em_recebiveis) e denais para ranquearmos e gerarmos os arquivos dessas listas no formato .csv.
library(tidyr)
grupo_cred_clientes <- cred_clientes %>%
group_by(nome_cliente, alunos_ativos, total_em_recebiveis) %>%
summarise(soma_recebiveis = sum(total_em_recebiveis, na.rm = TRUE,
soma_total_alunos = sum(alunos_ativos, na.rm = TRUE)))
## `summarise()` regrouping output by 'nome_cliente', 'alunos_ativos' (override with `.groups` argument)
grupo_cred_clientes%>%
arrange(desc(soma_recebiveis))
## # A tibble: 50,172 x 4
## # Groups: nome_cliente, alunos_ativos [33,806]
## nome_cliente alunos_ativos total_em_recebive~ soma_recebiveis
## <chr> <int> <int> <int>
## 1 Companhia do Corpo Canedo 397 2466026 2466423
## 2 EDER PIRES RUN & FITNESS AS~ 47 2226965 2227012
## 3 Hold Calistenia 196 1384860 1385056
## 4 ACADEMIA PHYSICAL CENTER 60 1352660 1352720
## 5 TcPILATES SANTANA 123 1333682 1333805
## 6 ACADEMIA PHYSICAL CENTER 88 1119211 1119299
## 7 ACADEMIA PHYSICAL CENTER 89 1095642 1095731
## 8 FITNESS FRIENDS ACADEMIA 1933 1040336 1042269
## 9 Arena Adrenalina 0 1040345 1040345
## 10 ACADEMIA PHYSICAL CENTER 87 945291 945378
## # ... with 50,162 more rows