Este projeto simula um cenário real de uma empresa comercial que investe em diferentes canais de marketing e precisa decidir como alocar melhor seu orçamento para maximizar retorno em vendas.
No dia a dia corporativo, gestores de marketing enfrentam o desafio de justificar investimentos em múltiplos canais — como mídia digital e mídia tradicional — sem clareza total sobre quais canais realmente geram impacto nos resultados do negócio.
Os dados utilizados representam investimentos realizados em diferentes meios de comunicação e o retorno obtido em vendas, refletindo um problema comum enfrentado por equipes de marketing, BI e análise de dados: transformar gastos em decisões estratégicas orientadas por dados.
O objetivo desta análise é avaliar o impacto dos investimentos em diferentes canais de marketing sobre as vendas, identificando quais meios apresentam maior potencial de retorno e fornecendo subsídios analíticos para decisões de realocação de orçamento e otimização de estratégias de marketing.
A análise busca apoiar decisões como:
- Priorização de canais mais eficientes
- Redução de investimentos com baixo retorno
- Planejamento de cenários futuros de investimento
As análises foram realizadas utilizando:
- Python (Pandas, NumPy) → limpeza, manipulação e estruturação dos dados
- Matplotlib e Seaborn → visualização de padrões, tendências e relações entre investimentos e vendas
- Scikit-learn → construção e avaliação de modelos de regressão como apoio à análise preditiva
- XGBoost → modelagem preditiva avançada para estimar retornos de investimento
- Jupyter Notebook → documentação do processo analítico e reprodutibilidade
As ferramentas foram utilizadas como suporte à análise e à tomada de decisão, mantendo o foco no problema de negócio.
-
O investimento em Jornal apresentou baixo impacto nas vendas, indicando que este canal possui menor eficiência quando comparado aos demais, o que sugere possível desperdício de orçamento.
-
Facebook demonstrou forte relação com o volume de vendas, sugerindo que investimentos nesse canal tendem a gerar retorno mais previsível e consistente.
-
YouTube apresentou o maior retorno marginal sobre o investimento, especialmente quando analisado por meio de modelos preditivos, indicando alto potencial de escalabilidade.
-
Modelos não lineares capturaram melhor o comportamento dos dados, evidenciando que a relação entre investimento e retorno não é puramente linear e depende de combinações entre canais.
Esses insights reforçam a importância de utilizar dados históricos para avaliar eficiência de canais e evitar decisões baseadas apenas em intuição.
Com base nos insights obtidos, seria possível:
-
Reduzir ou descontinuar investimentos em Jornal, redirecionando o orçamento para canais com maior impacto comprovado.
-
Priorizar investimentos em YouTube e Facebook, maximizando o retorno sobre o orçamento de marketing.
-
Utilizar modelos preditivos para simular cenários de investimento, apoiando o planejamento estratégico de campanhas futuras.
-
Apoiar decisões de orçamento com base em dados, reduzindo riscos e aumentando a eficiência das ações de marketing.
- Clone o repositório:
git clone https://github.com/Ogarit/Analise_do_Setor_de_Marketing-Empresa_Ficticia.git- Instale as dependências:
pip install -r requirements.txt- Execute o script principal:
python main.py- Os resultados da análise serão apresentados por meio de visualizações e métricas geradas ao longo da execução.