Commercial Performance: Análise Estratégica no Varejo de Móveis com IA Generativa Local

1. Contexto do Negócio

A Módena Móveis é uma rede de varejo de móveis de design autoral contemporâneo de médio-alto padrão, operando com 5 filiais físicas (Pinheiros, Moema, ABC, Santana e Campinas), 13 consultores de vendas ativos e um portfólio de 28 SKUs distribuídos em 5 categorias de produto.

O projeto contemplou a análise estratégica do biênio 2023–2024, consolidando 1.645 transações comerciais auditadas a partir do arquivo vendas_modena.csv. A operação envolve múltiplos canais de distribuição (Loja Física, Online e WhatsApp), segmentação fiscal (PF e PJ) e cinco modalidades de pagamento.

A necessidade central do negócio foi estabelecer uma arquitetura corporativa integrada de Analytics e IA, capaz de suportar a tomada de decisão executiva C-Level para o planejamento estratégico de 2025, com travas contábeis rigorosas e governança sobre métricas sensíveis como valor_final e análise Like-for-Like (SSS).

2. Objetivos do Projeto

O escopo analítico foi estruturado para responder a 10 perguntas estratégicas de negócio, com rigor metodológico baseado no framework CRISP-DM:

Objetivo Principal

• Construir uma arquitetura integrada de Data Warehouse, Pipeline de Data Science e Assistente Conversacional (RAG) para subsidiar a reunião de planejamento 2025 com os sócios.

Objetivos Específicos

• Auditar a qualidade dos dados (completude, unicidade e consistência aritmética) sobre 1.645 registros transacionais.
• Detectar e tratar outliers estatísticos via método IQR de Tukey sobre a métrica valor_final.
• Aplicar a metodologia Same-Store Sales (SSS) / Like-for-Like para neutralizar o efeito de base da inauguração de Campinas em julho/2023.
• Implementar modelos preditivos e de clusterização (K-Means, Prophet, Random Forest) para forecasting 2025 e segmentação comportamental.
• Desenvolver um Copilot local com RAG via FAISS e modelo Qwen3:14B executado on-premise via Ollama.

3. Arquitetura da Solução

A arquitetura foi desenhada em camadas, seguindo o fluxo ERP Transacional → ETL Python → SQL Server Data Warehouse → Modelagem Dimensional / Pipeline Data Science → Power BI / Vetorização FAISS → Copilot Local → Tomada de Decisão C-Level.

Camada de IA Generativa (Módena Copilot)

O Copilot foi arquitetado em quatro camadas: (i) camada de dados e contexto (PDFs institucionais + banco ModenaDW); (ii) camada vetorial com chunking via RecursiveCharacterTextSplitter (chunk_size=600, overlap=100) e embeddings sentence-transformers/all-MiniLM-L6-v2 (384 dimensões); (iii) inferência local com Ollama rodando Qwen3:14B na porta 11434 (Temperature=0.1); (iv) conectividade via Tailscale Mesh VPN com túnel WireGuard ponto a ponto (latência ~3ms).

4. Dados e Modelagem

A base consolidada (vendas_modena.csv) apresenta janela histórica de 01/01/2023 a 31/12/2024 (24 meses contínuos), com granularidade no nível de item/pedido individual faturado.

Modelagem Dimensional (Star Schema)

O Data Warehouse ModenaDW foi estruturado com a tabela fato dbo.FatoVendas contendo 15 colunas, incluindo chave primária id_venda (INT PRIMARY KEY) e índices nonclustered otimizados para consultas analíticas por data e loja.

CREATE TABLE dbo.FatoVendas(
    id_venda            INT NOT NULL,
    data_venda          DATE NOT NULL,
    loja                VARCHAR(50) NOT NULL,
    vendedor            VARCHAR(100) NOT NULL,
    categoria_produto   VARCHAR(50) NOT NULL,
    produto             VARCHAR(100) NOT NULL,
    valor_venda         DECIMAL(12,2) NOT NULL,
    desconto_pct        DECIMAL(5,2) NOT NULL,
    valor_final         DECIMAL(12,2) NOT NULL,
    forma_pagamento     VARCHAR(30) NOT NULL,
    parcelas            INT NOT NULL,
    canal               VARCHAR(30) NOT NULL,
    tipo_cliente        VARCHAR(2) NOT NULL,
    prazo_entrega_dias  INT NOT NULL,
    status_entrega      VARCHAR(30) NOT NULL,
    CONSTRAINT PK_FatoVendas PRIMARY KEY CLUSTERED(id_venda)
);

CREATE NONCLUSTERED INDEX IX_FatoVendas_Data_Loja
ON dbo.FatoVendas(data_venda, loja)
INCLUDE(valor_final, categoria_produto, canal, tipo_cliente);

Dicionário de Dados Corporativo

Principais colunas auditadas: valor_venda (preço nominal de tabela bruto), desconto_pct (0,00% a 15,00%) e valor_final (receita líquida real efetiva — métrica mandatória). A fórmula de negócio é: valor_final = valor_venda × (1 − desconto_pct/100).

5. Principais KPIs e Medidas

// Receita Líquida Real Mandatória
Receita Liquida Real = SUM(FatoVendas[valor_final])

// Ticket Médio Real Efetivo
Ticket Medio Real = DIVIDE([Receita Liquida Real], COUNTROWS(FatoVendas), 0)

// Renúncia Total de Descontos em Reais
Total Desconto R$ = SUMX(FatoVendas, FatoVendas[valor_venda] - FatoVendas[valor_final])

// Crescimento Percentual Homólogo (YoY%)
Crescimento YoY% =
VAR _AnoAtual = [Receita Liquida Real]
VAR _AnoAnterior = CALCULATE([Receita Liquida Real], SAMEPERIODLASTYEAR(dCalendario[Date]))
RETURN DIVIDE(_AnoAtual - _AnoAnterior, _AnoAnterior, BLANK())

6. Visão Geral do Dashboard

O dashboard executivo foi estruturado em 8 páginas, cada uma com foco analítico específico:

Perspectivas Integradas

10. Decisões Técnicas e Justificativas

11. Qualidade dos Dados e Limitações

Distribuição estatística: A média aritmética (R$ 2.930,72) situa-se acima da mediana (R$ 2.620,00) devido à assimetria positiva (Right-Skewed) provocada por transações corporativas de alto valor monetário. Desvio padrão de R$ 4.463,26 sobre valor_final indica alta dispersão.

12. Performance e Escalabilidade

A base atual contém 1.645 registros transacionais, volume classificado como "small data" no contexto corporativo. As estratégias de otimização implementadas incluem:

• Índices nonclustered em (data_venda, loja) com INCLUDE de valor_final, categoria_produto, canal e tipo_cliente.
• Stored Procedures parametrizadas para detecção automatizada de outliers (IQR de Tukey com multiplicador configurável).
• Vetorização FAISS em disco com busca por similaridade de cosseno (384 dimensões) para embeddings de documentos institucionais.

A arquitetura suporta escala horizontal via Tailscale Mesh VPN para múltiplas filiais e expansão natural do volume transacional.

13. Resultados e Impacto

Os resultados observáveis do projeto incluem:

Simulação Prescritiva de Cenários para 2025

14. Destaques de Engenharia

15. Código e Fórmulas

Detecção de Outliers (SQL Server)

CREATE OR ALTER PROCEDURE dbo.sp_DetectarOutliersFaturamento
    @MultiplicadorIQR DECIMAL(4,2) = 1.5
AS
BEGIN
    SET NOCOUNT ON;
    WITH Quartis AS (
        SELECT
            PERCENTILE_CONT(0.25) WITHIN GROUP (ORDER BY valor_final) OVER() AS Q1,
            PERCENTILE_CONT(0.75) WITHIN GROUP (ORDER BY valor_final) OVER() AS Q3
        FROM dbo.FatoVendas
    ),
    Limites AS (
        SELECT DISTINCT Q1, Q3,
            (Q3 - Q1) AS IQR,
            (Q3 + (@MultiplicadorIQR * (Q3 - Q1))) AS LimiteSuperior
        FROM Quartis
    )
    SELECT v.id_venda, v.loja, v.valor_final, l.LimiteSuperior
    FROM dbo.FatoVendas v CROSS JOIN Limites l
    WHERE v.valor_final > l.LimiteSuperior;
END;

Pipeline Python (K-Means + Prophet + Random Forest)

# Clusterização Comportamental de Consultores (K-Means k=3)
scaler = StandardScaler()
X_vend = scaler.fit_transform(vendedores_df[['Receita_Total','Ticket_Medio','Volume_Vendas','Desconto_Medio']])
kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
vendedores_df['Cluster'] = kmeans.fit_predict(X_vend)

# Forecasting Preditivo de Demanda para 2025-Q1 (Prophet)
df_prophet = df.groupby('data')['valor_final'].sum().reset_index()
m = Prophet(yearly_seasonality=True, weekly_seasonality=True, interval_width=0.95)
m.fit(df_prophet.rename(columns={'data':'ds','valor_final':'y'}))
future = m.make_future_dataframe(periods=90)
forecast = m.predict(future)

# Driver Analysis (Random Forest Feature Importance)
X_rf = pd.get_dummies(df[['loja','categoria_produto','forma_pagamento','canal','tipo_cliente','desconto_pct']], drop_first=True)
rf = RandomForestRegressor(n_estimators=100, random_state=42).fit(X_rf, df['valor_final'])

System Prompt do Copilot (travas contábeis)

prompt_completo = f"""
REGRAS MANDATÓRIAS DE NEGÓCIO E COMPLIANCE:
1. O Faturamento e o Ticket Médio são calculados EXCLUSIVAMENTE por 'valor_final' (líquido).
2. NUNCA utilize 'valor_venda' (preço de tabela bruto) como faturamento realizado.
3. A expansão de Campinas inaugurou em Julho/2023. Qualquer análise de crescimento DEVE
   considerar o critério Like-for-Like / Same-Store Sales (23S2 vs 24S2).
4. O faturamento oficial de 2023 é R$ 2.216.071,61 e de 2024 é R$ 2.604.956,08 (YoY=+17,55%).

CONTEXTO INSTITUCIONAL (FAISS RAG):
{contexto_docs}

PERGUNTA DO DIRETOR:
{pergunta_usuario}
"""

16. Aprendizados e Evoluções Futuras

Roadmap Evolutivo de Maturidade em IA

17. Conclusão

Este case demonstra uma arquitetura corporativa integrada de Analytics, Data Science e IA Generativa aplicada ao varejo de móveis. Ao combinar rigor metodológico CRISP-DM, travas contábeis em múltiplas camadas (SQL Server, DAX e System Prompt) e processamento local via RAG com Ollama, o projeto entregou uma plataforma analítica capaz de sustentar decisões executivas de alto impacto.

A aplicação da metodologia Same-Store Sales para neutralizar o efeito de base de Campinas, a dual-layer analítica sobre o super-outlier ID#942, e o pipeline multi-modelo (K-Means + Prophet + Random Forest) demonstram como a engenharia de dados, quando ancorada em princípios contábeis e de governança, transforma informação bruta em inteligência estratégica.

O projeto segue em evolução conforme o roadmap de maturidade em IA, com próximos passos voltados à implementação de agentes autônomos para reposição de estoque e compras — avançando do nível 6 (Conversational) para o nível 7 (Autonomous).