A data analysis project about brazilian e-commerce.
Um projeto de análise de dados sobre o comércio online brasileiro.
Este projeto se baseia em dados públicos divulgados pela Olist ( https://olist.com/ ), um dos maiores marketplaces do comércio online no Brasil. Os dados foram coletados no Kaggle ( https://kaggle.com/ ).
Os datasets contém mais de 100 mil registros de compra, no período de setembro de 2016 a setembro de 2018, com informações sobre produtos, compras, clientes, opinião de satisfação, entre outros.
A seguir, teremos uma descrição dos datasets e seus conteúdos (Versão 4).
geolocation_olist_public_dataset.csv:
Este dataset inclui latitudes e longitudes aleatórias a partir de um dado prefixo de CEP.
- zip_code_prefix: São os três primeiros dígitos de um CEP;
- city: Cidade associada ao CEP.
olist_classified_public_dataset.csv:
Este dataset inclui 3584 linhas, as mesmas 21 características do dataset não classificado e mais alguns dados de classificação.
Ele foi classificado por três analistas independentes. Cada analista votou em qual classe ele julgava que um comentário deveria pertencer. Assim, classificamos um comentário escolhendo a classe mais votada.
- votes_before_estimate: Votos recebidos por mensagens com indicação de recebimento do produto antes da data estimada;
- votes_delayed: Votos recebidos por reclamação de atraso;
- votes_low_quality: Votos recebidos por reclamação de baixa qualidade no produto;
- votes_return: Votos recebidos por mensagens de clientes com desejo de devolução do produto ao vendedor;
- votes_not_as_anounced: Votos recebidos por reclamação de produto diferente do anunciado;
- votes_partial_delivery: Votos recebidos por reclamação de entrega parcial (nem todos os produtos foram entregues);
- votes_other_delivery: Outros tipos de reclamação envolvendo a entrega;
- votes_other_order: Outros tipos de reclamação envolvendo o pedido;
- votes_satisfied: Votos recebidos por mensagens de clientes satisfeitos;
- most_voted_subclass: Seleciona a sublclasse mais votada para o comentário;
- most_voted_class: Agrega sublclasses em três classes (satisfeito, problemas com a entrega e problemas com a qualidade).
olist_public_dataset_v2.csv:
Este dataset inclui 100 mil linhas e 21 características.
Observações:
- Note que um comentário talvez possa se repetir se uma compra tiver dois ou mais produtos diferentes;
- Uma compra pode ser realizada por mais de um vendedor se o cliente comprar mais de um produto;
- Alguns comentários de avaliação possuem dados pessoais como número de telefone, então foi feita uma busca regex para substituir cada grupo de 3 dígitos por '000'. Isso pode bagunçar também outros dados que não sejam números de telefone no meio dos comentários;
- Todos os textos identificando lojas e seus parceiros foram substituídos por nomes das grandes casas de Game of Thrones.
- order_id: Identificador único da compra;
- order_status: Referência do status da compra (entregue, enviado, etc);
- order_products_value: Preço total de todos produtos da compra;
- order_freight_value: Valor total do frete em uma compra;
- order_items_qty: Quantidade total de produtos na compra;
- order_sellers_qty: Total da quantidade de vendedores que realizaram a venda;
- order_purchase_timestamp: Registro de data e hora da compra;
- order_aproved_at: Data e hora da aprovação de pagamento;
- order_estimated_delivery_date: Data estimada de entrega mostrada ao cliente no momento da compra;
- order_delivered_customer_date: Data real de entrega ao cliente;
- customer_id: Identificador do cliente. Cada compra tem um único cliente. Para encontrar o customer_id único, consulte o dataset customers;
- customer_city: Cidade do cliente;
- customer_state: Estado do cliente;
- customer_zip_code_prefix: Os três primeiros dígitos do CEP do cliente;
- product_category_name: A categoria raiz do produto comprado (em português);
- product_name_lenght: Número de caracteres do nome do produto;
- product_description_lenght: Número de caracteres da descrição do produto;
- product_photos_qty: Número de fotos publicadas no anúncio do produto;
- product_id: Identificador único do produto;
- review_id: Identificador único da avaliação do produto;
- review_score: Nota (entre 1 e 5) dada pelo cliente em uma pesquisa de satisfação;
- review_comment_title: Título da avaliação deixada pelo cliente (em português);
- review_comment_message: mensagem deixada pelo cliente na avaliação do produto (em português);
- review_creation_date: Data na qual a pesquisa de avaliação foi enviada ao cliente;
- review_answer_timestamp: Data e hora que a pesquisa de avaliação foi respondida.
olist_public_dataset_v2_customers.csv: Este dataset inclui identificadores únicos de clientes.
- customer_id: Chaves para o dataset orders. Cada compra possui um customer_id único;
- customer_unique_id: Identificador único de um cliente .
payments_olist_public_dataset.csv:
Este dataset inclui opções de pagamento das compras.
- order_id: Identificador único de uma compra;
- installments: Quantidade de parcelas escolhida pelo cliente;
- sequential: Um cliente pode utilizar mais de um método de pagamento. Neste caso, uma sequência será criada para acomodar todos os pagamentos;
- payment_type: Método de pagamento escolhido pelo cliente;
- value: Valor da transação.
product_category_name.csv:
Traduz o dataset product_category_name para o inglês.
Este projeto está em andamento, recebendo atualizações e adições com frequência.