Projetos
Python · Logística & Satisfação

Logística & Entrega — O Custo do Atraso

Entregar no prazo é uma promessa silenciosa do e-commerce. Quando ela quebra, quanto custa? Sobre 96 mil pedidos reais, a resposta é brutal: a nota do cliente despenca de 4,3 para 1,7 quando a entrega atrasa muito.

Ano 2025 Papel Análise de Dados Status Concluído
Contexto

O problema

Operação de e-commerce vive de reputação, e reputação vive de nota. A intuição diz que "atraso é ruim" — mas quanto ruim? Sem quantificar, é impossível justificar investimento em logística ou priorizar regiões problemáticas.

O objetivo foi medir, sobre a base pública Olist, a relação entre atraso na entrega e a avaliação do cliente — transformando uma intuição em número.

Metodologia

A abordagem

Com Python e Pandas, filtrei os pedidos efetivamente entregues e calculei, para cada um, o atraso real = data de entrega − data estimada. Cruzei com as avaliações (nota 1–5) e agrupei por faixa de atraso, medindo a nota média de cada faixa.

Achados

O penhasco da satisfação

Impacto

O que os dados dizem

92%
dos pedidos chegam no prazo
4,3 → 1,7
nota média: no prazo vs. atraso > 15 dias
13 dias
tempo médio de entrega (compra → cliente)

Implicação de negócio: os 8% de pedidos atrasados concentram a esmagadora maioria das avaliações ruins. Como o dano à nota aparece já no primeiro dia de atraso, a alavanca não é só "entregar rápido" — é calibrar a data prometida e proteger as regiões/rotas de maior risco de atraso.

Ferramentas

Stack & decisões

Python · Pandas Análise de logística Datas / SLA de entrega Satisfação (CSAT) Matplotlib