Resolvendo problema de Negócio

Rodrigo Almeida 07/07/2021

knitr::opts_chunk$set(echo = TRUE, message=FALSE, warning=FALSE, fig.align='center')
# pacotes utilizados
library(magrittr)
library(patchwork)

Introdução

Esta análise dfoi destinada ao Curso de R para problemas de negócio, ministrado na Semana da Estatística da Universidade Federal do Pará. Para Acesso ao Documento no RPubs, clique aqui.

Demandante

Recebemos uma demanda de uma empresa de delivery que passa por um momento de crescimento e também de melhoria no processo de análise de dados. O time de Marketing fez um investimento em comerciais, para que a empresa ficasse mais conhecida e consequentemente aumentasse o número de pedidos. O Gestor da área entra em contato com nossa equipe para que possamos ajudá-los no direcionamento de algumas medidas.

Entendendo o Problema

Há um aumento na quantidade de entregas pelo APP da empresa, e consequentemente um decaimento na avaliação dos clientes. Deseja-se descobrir os motivos do decaimento e sugerir alguma melhoria baseada em dados.

Informações Importantes

• Todos os pedidos analisados são de 2017

• As notas de avaliação variam de 1 a 5, sendo -1 os clientes que não responderam e NA os clientes que não receberam a avaliação

• Existe uma classificação de acordo com as notas dos clientes, que seguem as seguintes regras:

  • Ruim: Notas entre 1 e 3
  • Medio: Notas igual a 4
  • Bom: Notas igual a 5

• Houve um atualização no portal de entregas em meados de Junho/Julho

• Houve um investimento em comeciais para a empresa ficar mais conhecida em meados de Julho/Agora

Conhecendo a base

Variáveis

df_entregas <- readRDS("data/df_entrega.rds")

#paleta de cores
source("R/temas_graficos.R")
cores <- data.frame(azul_escuro = "#00398F", azul_medio = "#0790E3", azul_claro = "#14D7FA",
                       verde_bebe = "#07E3D1", verde_claro = "#08FBAC")
cordegrade <- colorRampPalette(c("#00398F", "#08FBAC"))

# caracteres
df_entregas %>%
  dplyr::select(where(is.character)) %>% 
    skimr::skim() %>%
      knitr::kable(caption = "Caractéres", format = "pipe")

skim_type	skim_variable	n_missing	complete_rate	character.min	character.max	character.empty	character.n_unique	character.whitespace
character	TIPO_PAGAMENTO	0	1	6	13	0	4	0
character	TIPO_ENTREGA	0	1	7	7	0	3	0
character	ESTADO	0	1	2	2	0	5	0

Caractéres

# Fatores
df_entregas %>%
  dplyr::select(where(is.factor)) %>% 
    skimr::skim() %>%
      knitr::kable(caption = "Fatores", format = "pipe")

skim_type	skim_variable	n_missing	complete_rate	factor.ordered	factor.n_unique	factor.top_counts
factor	CLASSE	0	1	FALSE	4	Bom: 5573, Sem: 4273, Rui: 687, Med: 641
factor	MES	0	1	TRUE	10	Out: 1734, Set: 1731, Jun: 1341, Ago: 1305
factor	DIA	0	1	TRUE	7	Sáb: 3259, Sex: 2342, Dom: 2056, Qui: 1269
factor	TURNO	0	1	FALSE	4	Noi: 5118, Tar: 4460, Man: 1074, Mad: 522

Fatores

# Quantittivas
df_entregas %>%
  dplyr::select(where(is.numeric)) %>% 
    skimr::skim() %>%
      knitr::kable(caption = "Quantitativas", format = "pipe")

skim_type	skim_variable	n_missing	complete_rate	numeric.mean	numeric.sd	numeric.p0	numeric.p25	numeric.p50	numeric.p75	numeric.p100	numeric.hist
numeric	ID_PEDIDO	0	1.000000	1.884246e+05	58540.23929	45.0	117767.25	210567.500	233436.000	256243.000	▁▁▃▂▇
numeric	VALOR_PEDIDO	0	1.000000	1.007173e+02	397.88371	2.2	29.88	35.904	59.488	6894.528	▇▁▁▁▁
numeric	ID_ENTREGADOR	0	1.000000	3.177895e+01	14.06820	17.0	21.00	26.000	39.000	74.000	▇▃▂▁▁
numeric	NOTA_ENTREGA	3897	0.651244	4.368421e+00	1.47981	-1.0	5.00	5.000	5.000	5.000	▁▁▁▁▇

Quantitativas

# data
df_entregas %>%
  dplyr::select(where(lubridate::is.POSIXct)) %>% 
    skimr::skim() %>%
      knitr::kable(caption = "Data", format = "pipe")

skim_type	skim_variable	n_missing	complete_rate	POSIXct.min	POSIXct.max	POSIXct.median	POSIXct.n_unique
POSIXct	DATA_PEDIDO	0	1	2017-01-01 10:11:01	2017-10-31 23:42:43	2017-07-13 22:01:51	11138

Data

Primeiras Análises

Análise do Cenário da empresa

Agora faremos as primeiras análises da nossa base, expondo o cenário que temos da mesma:

# quantiddde de pedidos por mes
g1 <- df_entregas %>% 
  dplyr::count(MES_REF) %>% 
    ggplot2::ggplot() +
      ggplot2::geom_line(ggplot2::aes(x = MES_REF, y = n), color = cores$verde_claro, size = 0.8) +
        ggplot2::geom_label(ggplot2::aes(x = MES_REF, y = n, label = n),
                            size = 2.5,  fill = cores$azul_escuro, color = "white", show.legend = FALSE) +
          ggplot2::labs(title = "Volume de Pedidos por mês") +
            ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month") +
              tema_semest_linha()


# faturamento por mês
g2 <- df_entregas %>% 
  dplyr::group_by(MES_REF) %>%
    dplyr::summarise(
      Faturamento_total = sum(VALOR_PEDIDO)
    ) %>% 
      ggplot2::ggplot() +
        ggplot2::geom_line(ggplot2::aes(x = MES_REF, y = Faturamento_total), color = cores$verde_claro, size = 0.8) +
          ggplot2::geom_label(ggplot2::aes(x = MES_REF, y = Faturamento_total, 
                                           label = paste("R$", round(Faturamento_total, 0), sep = " ")),
                              size = 2.5,  fill = cores$azul_escuro, color = "white", show.legend = FALSE) +
            ggplot2::labs(title = "Faturamento total por mês") +
              ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month") +
                tema_semest_linha()


# nota avaliacao poe mes
g3 <- df_entregas %>%
  dplyr::filter(!NOTA_ENTREGA == -1) %>%
    dplyr::group_by(MES_REF) %>%
      dplyr::summarise(
        Media_nota = round(mean(NOTA_ENTREGA, na.rm = TRUE),1)
      ) %>% 
      ggplot2::ggplot() +
        ggplot2::geom_line(ggplot2::aes(x = MES_REF, y = Media_nota), color = cores$verde_claro, size = 0.8) +
          ggplot2::geom_label(ggplot2::aes(x = MES_REF, y = Media_nota, label = Media_nota),
                              size = 2.5,  fill = cores$azul_escuro, color = "white", show.legend = FALSE) +
            ggplot2::labs(title = "Media de Avaliação por mês") +
              ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month") +
                tema_semest_linha()

# entregas por estado
df_map <- readRDS("data/df_map.rds")

g4 <- df_map %>% 
  ggplot2::ggplot() +
    ggplot2::geom_sf(ggplot2::aes(fill = qtd_entrega), size=.15) +
      ggplot2::geom_sf_text(ggplot2::aes(label = abbrev_state, color = qtd_entrega),
                  size = 2, show.legend = FALSE) +
        ggplot2::labs(title = "Volume de entregas por estado") +
          ggplot2::theme_void() +
            ggplot2::scale_fill_gradient(name = "Volume de Entregas",
                                         low = cores$verde_claro, high = cores$azul_escuro, na.value = "#d6d2d2") +
              ggplot2::scale_color_gradient(low = cores$azul_escuro, high = "white", na.value = "black")

g1 / g3 / g2 

g4

• A partir de Junho, há um aumento considerável na quantidade de entregas, e a partir de Setembro, há um aumento repentino na quantidade de entregas

• O faturamento da empresa está crescendo no decorrer dos meses, tendo um maior destaque no mês de Julho

• Há uma queda brusca mês de Julho quanto as avaliações dos clientes

• O Estado de São Paulo é onde ocorre a maioria das entregas, sendo que a empresa atua em outros quatro Estados (Ceará, Minas Gerais, Paraná e Rio de Janeiro)

Continuando as análises, vamos agora tratar de questões de processos de entrega:

source("R/funcao_graficos.R")

#percentual notas de entrega
g1 <- df_entregas %>%
  dplyr::mutate(
    NOTA_ENTREGA = as.factor(NOTA_ENTREGA)
  ) %>%
  grafico_barras(data = ., NOTA_ENTREGA, "Notas", "Percentual por nota de avaliação")


# percentual por classe
g2 <- df_entregas %>% 
  grafico_barras(CLASSE, "Classes", " Percentua por Classe")  


# percentual por meio de pagamento
g3 <- df_entregas %>% 
  grafico_barras(TIPO_PAGAMENTO, "Meios de Pagamentos", "Percentual por meio de pagamento")

# turno da entrega
g4 <- df_entregas %>% 
  grafico_barras(TURNO, "Turnos", "Percentual por turnos de entrega")

# tipo de entrega
g5 <- df_entregas %>% 
  grafico_barras(TIPO_ENTREGA, "Tipo de Entrega", "Percentual por tipo de entrega")

# dia da semana 
g6 <- df_entregas %>% 
  grafico_barras(DIA, "Dias da semana", "Percentual por dia da semana")


(g1 + g2) / (g3 + g4) / (g5 + g6)

Já conseguimos enxergar alguns ponstos de atenção no processo de entregas, são estes:

• Existe um percentual muito alto de pedidos que não receberam a avaliação após a entrega do produto

• A maioria dos clientes respondentes classifica a entrega como Boa

• Existe um grande percentual de meios de pagamentos não informados

• Os turnos da tarde e noite são os que possuem maior volume de entrega

• Quase 90% dos clientes recebe o pedido, sendo este o tipo de entrega mais frequente

• Sexta, Sábado e Domingo são os dias de maior volume de entregas

Agora vamos tentar aprofundar nossa análise atacando os pontos levantados anteriormente:

Os problemas da não informação de avaliação e métodos de pagamento:

df_entregas %>%
  dplyr::filter(CLASSE == 'Sem Informação') %>%
    grafico_barras(MES_REF, "Meses", "Percentual de pedidos que não receberam avaliação por mês") +
      ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month")

df_entregas %>%
  dplyr::filter(CLASSE == 'Sem Informação') %>%
    dplyr::count(ESTADO, MES) %>%
      ggplot2::ggplot(ggplot2::aes(x = MES, y = n)) +
        ggplot2::geom_col(ggplot2::aes(fill = ESTADO), show.legend = FALSE) +
          ggplot2::scale_fill_manual(values = cordegrade(5)) +
            ggplot2::theme(
              panel.background = ggplot2::element_blank(),
              panel.border = ggplot2::element_blank(),
              axis.title.y = ggplot2::element_blank(),
              axis.text.y = ggplot2::element_blank(),
              axis.ticks.y = ggplot2::element_blank()
            ) +
              ggplot2::facet_wrap(~ESTADO)

df_entregas %>%
  dplyr::filter(CLASSE == 'Sem Informação') %>%
    dplyr::group_by(TIPO_PAGAMENTO, MES_REF) %>%
      dplyr::summarise(
        Quantidade = dplyr::n()
      ) %>%
        ggplot2::ggplot() +
          ggplot2::geom_line(ggplot2::aes(x = MES_REF, y = Quantidade, group = TIPO_PAGAMENTO, color = TIPO_PAGAMENTO)) +
            ggplot2::scale_color_manual(name = "Tipo de Pagamento",
                          values = cordegrade(4)) +
              ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month") +
                tema_semest_linha()

# O plotly não funcionou na versão do git.md
#  plotly::ggplotly(height = 250, width = 1000)

df_entregas %>%
  dplyr::filter(CLASSE == 'Sem Informação') %>%
    dplyr::group_by(TURNO, MES_REF) %>%
      dplyr::summarise(
        Quantidade = dplyr::n()
      ) %>%
        ggplot2::ggplot() +
          ggplot2::geom_line(ggplot2::aes(x = MES_REF, y = Quantidade, group = TURNO, color = TURNO)) +
            ggplot2::scale_color_manual(name = "Turno",
                          values = cordegrade(4)) +
              ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month") +
                tema_semest_linha()

# O plotly não funcionou na versão do git.md
#  plotly::ggplotly(height = 250, width = 1000)

df_entregas %>%
  dplyr::filter(CLASSE == 'Sem Informação') %>%
    dplyr::group_by(DIA, MES_REF) %>%
      dplyr::summarise(
        Quantidade = dplyr::n()
      ) %>%
        ggplot2::ggplot() +
          ggplot2::geom_line(ggplot2::aes(x = MES_REF, y = Quantidade, group = DIA, color = DIA)) +
            ggplot2::scale_color_manual(name = "Dia", values = cordegrade(7)) +
              ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month") +
                tema_semest_linha()

# O plotly não funcionou na versão do git.md
# plotly::ggplotly(height = 350, width = 1000)

Com os gráficos acima pudemos perceber:

• A partir do mês de Junho, onde houve atualização de plataforma, o número de pedidos que não receberam avaliações cresceu

• Os pedidos sem informação de pagamento foram resolvidos em Julho

• Em momento e local de maior quantidade de pedidos, são onde se concentram também os volumes de pedidos sem recebeimento de avaliação, que são os turnos da tarde e noite, nos dias sexta, sábado e domingo e no estado de São Paulo.

Avaliando os entregadores

Agora vamos avaliar os indicadores quanto aos entregadores:

Ao todo, nossa base possui 51 entregadores.

df_entregas %>%
  dplyr::distinct(ID_ENTREGADOR, ESTADO) %>%
    dplyr::count(ESTADO) %>%
      dplyr::mutate(
        ESTADO = forcats::fct_reorder(ESTADO, n)
      ) %>%
        ggplot2::ggplot(ggplot2::aes(x = ESTADO, y = n)) +
          ggplot2::geom_col(fill = cores$azul_escuro) +
            ggplot2::geom_label(ggplot2::aes(x = ESTADO, y = n, label = n), fill = cores$verde_claro, color = cores$azul_escuro) +
              ggplot2::labs(x = "Estados", title  = "Quantidade de Entregadores por estado") +
                tema_semest_barra_x()

df_entregas %>%
  dplyr::distinct(ID_ENTREGADOR, ESTADO) %>%
    dplyr::count(ESTADO) %>%
      dplyr::left_join(
        df_entregas %>%
          dplyr::group_by(ESTADO) %>%
            dplyr::summarise(
              media_nota = round(mean(NOTA_ENTREGA, na.rm = TRUE),1)
            ), by = c("ESTADO" = "ESTADO")
) %>%
              dplyr::mutate(
              ESTADO = forcats::fct_reorder(ESTADO, dplyr::desc(n))
            ) %>%
          ggplot2::ggplot(ggplot2::aes(x = media_nota, y = n, color = ESTADO)) +
            ggplot2::geom_point(size = 5) +
              ggplot2::theme_minimal() +
                ggplot2::labs(x = "Media da Nota de Avaliação da Entrega", y = "Quantidade de entregadores", title = "Quantidade de entregadores vs Média Nota Avaliação, por estado") +
                  ggplot2::scale_color_manual(values = cordegrade(5))

Em relação a quantidade de entregadores por cada estado:

• Não há uma relação evidente quanto entre a quantidade de entregadores e a média de nota de avaliação por estado

Porém, vamo verificar a quantidade de entregadores em relação ao volume de pedidos de cada estado

df_entregas %>%
  dplyr::distinct(ID_ENTREGADOR, ESTADO) %>%
    dplyr::group_by(ESTADO) %>%
      dplyr::summarise(
        Qtd_entregadores = dplyr::n()
      ) %>%
dplyr::left_join(
      (df_entregas %>%
        dplyr::group_by(ESTADO) %>%
          dplyr::summarise(
            Vol_entregas = dplyr::n(),
            media_nota = round(mean(NOTA_ENTREGA, na.rm = TRUE),1)
          )), by = c("ESTADO" = "ESTADO")
) %>%
            dplyr::mutate(
              Media_entregador = round(Vol_entregas/Qtd_entregadores,1)
            ) %>%
              dplyr::arrange(dplyr::desc(Media_entregador)) %>% knitr::kable(format = "pipe")

ESTADO	Qtd_entregadores	Vol_entregas	media_nota	Media_entregador
SP	24	7800	4.4	325.0
RJ	11	2297	4.3	208.8
MG	10	759	4.1	75.9
PR	3	164	4.4	54.7
CE	3	154	4.5	51.3

df_entregas %>%
  dplyr::distinct(ID_ENTREGADOR, ESTADO) %>%
    dplyr::group_by(ESTADO) %>%
      dplyr::summarise(
        Qtd_entregadores = dplyr::n()
      ) %>%
dplyr::left_join(
      (df_entregas %>%
        dplyr::filter(!NOTA_ENTREGA == -1) %>%
          dplyr::group_by(ESTADO) %>%
            dplyr::summarise(
              Vol_entregas = dplyr::n(),
              media_nota = round(mean(NOTA_ENTREGA, na.rm = TRUE),1)
            )), by = c("ESTADO" = "ESTADO")
) %>%
            dplyr::mutate(
              Media_entregador = round(Vol_entregas/Qtd_entregadores,1),
              ESTADO = forcats::fct_reorder(ESTADO, dplyr::desc(Media_entregador))
            ) %>%
          ggplot2::ggplot(ggplot2::aes(x = media_nota, y = Media_entregador, color = ESTADO)) +
            ggplot2::geom_point(size = 5) +
              ggplot2::theme_minimal() +
                ggplot2::labs(x = "Media da Nota de Avaliação da Entrega", y = "Media por Entregador", title = "Media por entregador vs Média Nota Avaliação, por estado") +
                  ggplot2::scale_color_manual(values = cordegrade(5))

Agora já começa a fazer sentido o fato de que Ceará e Paraná possuem as menores médias de entregas por entregadores (51.3 e 54.7, respectivamente) e as maiores médias de avaliações, enquanto Minas Gerais e Rio de Janeiro acontece o contrário. O fato a ser estudado é São Paulo, pois possui a maior média de entregadores e a segunda maior média de nota, além de ser o estado onde de concentram a maioria dos pedidos. Dado isso, vamos olhar a evolução de notas de São Paulo:

df_entregas %>%
  dplyr::filter(ESTADO == "SP", !NOTA_ENTREGA == -1) %>%
    dplyr::group_by(MES_REF) %>%
      dplyr::summarise(
        Media_nota = round(mean(NOTA_ENTREGA, na.rm = TRUE),1)
      ) %>%
        ggplot2::ggplot(ggplot2::aes(x = MES_REF, y = Media_nota)) +
          ggplot2::geom_line(color = cores$azul_escuro) +
            ggplot2::geom_label(ggplot2::aes(x = MES_REF, y = Media_nota, label = Media_nota), fill = cores$verde_claro, color = cores$azul_escuro) +
              ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month") +
                tema_semest_linha()

São Paulo segue a tendência da base como um todo, ou, na verdade, puxa essa tendência devido ser o principal estado quanto ao volume de entregas. Se olharmos bem, São Paulo é responsável por um grande parte do faturamento, por isso merece uma atenção especial na análise:

df_entregas %>%
  dplyr::mutate(
    Estado_SP = dplyr::case_when(
      ESTADO == "SP" ~ "SP",
      TRUE ~ "OUTROS"
    )
  ) %>%
    dplyr::group_by(Estado_SP, MES_REF) %>%
      dplyr::summarise(
        Faturamento_total = sum(VALOR_PEDIDO, na.rm = TRUE)
      ) %>%
        ggplot2::ggplot(ggplot2::aes(x = MES_REF, y = Faturamento_total, fill = Estado_SP)) +
          ggplot2::geom_col() +
            ggplot2::xlab("Meses") +
              ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month") +
                tema_semest_barra_x() +
                  ggplot2::scale_fill_manual(name = "Estado", values = c(cores$azul_medio, cores$verde_bebe))

Sabendo da grande representatividade no faturamento, vamos analisar onde está o problema da baixa de notas em São Paulo:

Entregadores

Vimos que a média de entrega por entregadores não foi um quesito relevante quando analisado com outros estados, porém vamos verificar a média das notas por entregadores pra verificar se existe relevância:

df_entregas %>%
  dplyr::filter(ESTADO == "SP", !NOTA_ENTREGA == -1) %>%
    dplyr::group_by(ID_ENTREGADOR) %>%
      dplyr::summarise(
        media_nota = round(mean(NOTA_ENTREGA, na.rm = TRUE),1)
      ) %>%
        dplyr::mutate(
          ID_ENTREGADOR = as.factor(ID_ENTREGADOR),
          ID_ENTREGADOR = forcats::fct_reorder(ID_ENTREGADOR, media_nota)
        ) %>%
          ggplot2::ggplot(ggplot2::aes(x = ID_ENTREGADOR, y = media_nota, fill = ID_ENTREGADOR)) +
            ggplot2::geom_col(show.legend = FALSE) +
              ggplot2::geom_label(ggplot2::aes(x = ID_ENTREGADOR, y = media_nota, label = media_nota), size = 3.5, show.legend = FALSE) +
                ggplot2::theme_minimal() +
                  ggplot2::scale_fill_manual(values = cordegrade(24)) +
                    ggplot2::coord_flip()

df_entregas %>%
  dplyr::filter(ESTADO == "SP", !NOTA_ENTREGA == -1) %>%
    dplyr::group_by(ID_ENTREGADOR, MES_REF) %>%
      dplyr::summarise(
        media_nota = round(mean(NOTA_ENTREGA, na.rm = TRUE),1),
        qtd_pedidos = dplyr::n()
      ) %>%
        ggplot2::ggplot(ggplot2::aes(x = media_nota, y = qtd_pedidos, color = qtd_pedidos)) +
          ggplot2::geom_point(size = 4) +
            ggplot2::scale_color_gradient(name = "Quantidade de Pedidos",low = cores$azul_escuro, high = cores$verde_claro) +
              ggplot2::labs(title = 'Data: {frame_time}') +
                ggplot2::theme_minimal() +
                  gganimate::transition_time(MES_REF)

Vamos separar os top 5 melhores e 5 piores entregadores pra enchegar o comportamento dos mesmos:

entregadores <- rbind(
(df_entregas %>%
  dplyr::filter(!NOTA_ENTREGA == -1) %>%
    dplyr::group_by(ID_ENTREGADOR) %>%
      dplyr::summarise(
        media_nota = mean(NOTA_ENTREGA, na.rm = TRUE),
        qtd = dplyr::n()
      ) %>%
      dplyr::filter(qtd > 30) %>%
        dplyr::top_n(5, wt = media_nota) %>%
          dplyr::mutate(
            tipo = "top"
          ) %>%
            dplyr::select(ID_ENTREGADOR, tipo)),

(df_entregas %>%
  dplyr::filter(!NOTA_ENTREGA == -1) %>%
    dplyr::group_by(ID_ENTREGADOR) %>%
      dplyr::summarise(
        media_nota = mean(NOTA_ENTREGA, na.rm = TRUE),
        qtd = dplyr::n()
      ) %>%
      dplyr::filter(qtd > 30) %>%
        dplyr::top_n(-5, wt = media_nota) %>%
          dplyr::mutate(
            tipo = "bottom"
          ) %>%
            dplyr::select(ID_ENTREGADOR, tipo)))

df_entregas %>%
  dplyr::count(ID_ENTREGADOR, MES_REF) %>%
    dplyr::filter(ID_ENTREGADOR %in% entregadores$ID_ENTREGADOR) %>%
      dplyr::left_join(entregadores) %>%
      ggplot2::ggplot(ggplot2::aes(x = MES_REF, y = n, group = tipo)) +
        ggplot2::geom_line(ggplot2::aes(colour = tipo)) +
            ggplot2::facet_wrap(ID_ENTREGADOR~., ncol = 2) +
              ggplot2::scale_x_date(date_labels = "%b", date_breaks = "1 month") +
                ggplot2::theme_minimal() +
                  ggplot2::labs(title = "Comportamento dos Entregadores destaques", x = "Meses", y = "Quantidade de Entregas") +
                    ggplot2::scale_colour_manual(name = "Classe de Entregador",values = c(cores$azul_escuro, cores$verde_claro))

Com esses gráficos podemos perceber que os pedidos não são direcionados a entregadores de melhores ou piores avaliações, pois temos crescentes de pedidos de alguns entregadores que possuem média de notas ruins, e baixas de pedidos de alguns entregadores de com média de notas boas.

Conclusão

A partir das análises feitas, pudemos verificar o cenário atual, fazer algumas descobertas e sugerir algumas tomadas de decisões:

• Deve-se verificar e ajustar as questões de atualização da plataforma para que todos os clientes possam avaliar os pedidos efetuados, principalmente nos horários e dias de pico

• Para os estados de Minas Gerais e Rio de Janeiro, fazer um investimento no aumento da quantidade de entregadores, que notadamente afeta na avaliação dos clientes

• Para os estados do Ceará e Paraná, deve-se investir no crescimento do corpo de entregadores junto ao crescimento da quantidade de pedidos para continuar garantindo uma boa avaliação

• Já para o Estado de São Paulo, onde se concentram a maioria dos pedidos, deve-se, além de reciclar uma parte do corpo de entregadores, redirecionar uma quantidade de pedidos para aqueles que possuem notas de avaliação melhores

Próximos passos

• Ajuste a plataforma

• Atuar junto aos entregadores do Estado de São Paulo, que possui quase 90% do volume de entregas

Considerações Finais

Ainda completarei esta análise, com mais informações e com alguma parte de modelagem estatística. Espero que tenham gostado! Para sugestões e críticas, podem entrar em contato pelo meu Linkedin.