Maximize o dashboard no canto inferior direito do painel.


Intro

Escrever a intro

Conectando e carregando o dataset

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 ...

Análise dos grupos

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

Agrupamento Conjunto

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

Identificação de tendência

Considerações finais


Referências