Principal Objetivo
Este estudo busca utilizar técnicas de Data Science juntamente com strategic sourcing e metodologias ágeis para sugerir a melhor opção de compra de pneus conforme opções do mercado varejista online.
O produto que procuramos é um pneu aro 14 e será escolhido conforme melhor nota no indicador aqui criado: “Nota_Conceitual”.
Motivação do Estudo
Recentemente tive a felicidade de comprar meu primeiro carro, um lindo Ford Ka branco modelo 2017, mas como todo carro de segunda mão sempre precisamos arrumar alguma coisa.
Orientado para cultura de data driven, e muita experiencia na área de suprimentos, decidi realizar uma pesquisa de mercado.
Organização do Trabalho
Breve Explicação
Buscando eficiência dividiremos o trabalho em grandes partes:
1- Consultar o site do INMETRO para: * Analisar quais critérios a organização reguladora considera como essenciais. * Esta etapa também visa entender quem são os principais fornecedores e principais produtos.
A ideia é não deixarmos de fora algum produto e/ou fornecedor de boa qualidade, mas com pouca relevância no mercado varejista online.
2- Realizar uma consulta de mercado em todos os produtos disponíveis no site pneus store, que se enquadrem nas características do produto que procuramos, para entender as condições comerciais como preço, prazo de entrega e valor do frete.
3- Escolher o melhor produto, conforme desempenho na nota conceitual, e realizar a compra.
Cronograma de Projeto
Utilizamos o gráfico de Gantt para elaborar um cronograma de projeto, para organizar tempos e processos, e estimamos 20 dias de trabalho.
Observação: Vale a pena destacar que trabalhei conforme disponibilidade diária após o expediente de trabalho, usando apróximadamente duas horas em cada dia.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
#Utilizaremos a biblioteca tidyverse para o tratamento, manipulação e vizualização de dados.
library(tidyverse)
# Criaremos um dataset com as principais atividades
dados <- tibble(
tarefa = c("Definição do principal objetivo a ser alcançado",
"Versionar Projeto no GitHub, Criar Kanban, e Cronograma de Gantt",
"Fonte de dados: Estudar site do INMETRO e Pneus Store",
"Coleta de Dados: Realizar Web Scrapping e Tratamento (EDA)",
"Realizar Análise Inferencial: Nota Conceitual e Financeiro",
"Estruturar Informações no Artigo"),
inicio = as.Date(c("2023-01-28", "2023-01-29", "2023-01-31","2023-02-06","2023-02-12","2023-02-14")),
fim = as.Date(c("2023-01-29", "2023-01-30", "2023-02-05","2023-02-12","2023-02-14","2023-02-19"))
) %>% mutate(tarefa = fct_inorder(tarefa),
duracao = as.numeric(fim - inicio))
# Criar o gráfico de Gantt com o ggplot
ggplot(dados, aes(x = inicio, y = tarefa, xend = fim, yend = tarefa, color = tarefa)) +
geom_segment(size = 10,show.legend = FALSE) +
theme_light()+
scale_x_date(date_labels = "%d/%m/%Y",date_breaks = "3 days", limits = c(min(dados$inicio),max(dados$fim))) +
geom_text(aes(x = inicio + duracao/2, y = tarefa, label = paste0(duracao, " dias")),color="white")+
theme(axis.text.x = element_text(angle = 45))+
labs(title = "Cronograma do Projeto", x = "", y = "", fill = "",subtitle = paste("Duração Total:",sum(as.numeric(dados$fim - dados$inicio)),"Dias"),caption = "Observação: 2 horas de trabalho por dia")
Versionar projeto no GitHub
O trabalho foi desenvolvido usando um “Projeto” dentro da IDE Rstudio, e também criamos um repositório para ajudar no armazenamento e versionamento de todos os arquivos do projeto.
Organização no Kanban
Adotamos a ferramenta Kanban para organizar as atividades do projeto no formato de metodologia ágil:
Detalhes sobre a Fonte de Dados
Informações do INMETRO
O Instituto Nacional de Metrologia, Qualidade e Tecnologia INMETRO é uma autarquia federal vinculada ao Ministério da Economia. Sua missão institucional é prover confiança à sociedade brasileira nas medições e na qualidade dos produtos, por meio da Metrologia e da Avaliação da Conformidade, promovendo a harmonização das relações de consumo, a inovação e a competitividade do País.
Neste trabalho utilizaremos os dados abertos do Programa Brasileiro de Etiquetagem (PBE), disponibilizados pelo governo federal, para auxiliar na escolha pautada em dados:
Este Video didatico explica com maior riqueza de detalhes o significado dos códigos da etiqueta e como podemos interpreta-as para ajudar no esclarecimento.
Loja Pneu Store
A Pneu Store é uma loja online especializada na comercialização de pneus para veículos em todo o território Brasileiro.
Este site é referência de mercado por apresentar detalhes técnicos dos produtos, bem como preços competitivos de marcas renomeadas, e boas avaliações no reclame aqui.
Vale a pena destacar que tive indicações tanto de alguns profissionais da área, mecânicos, quanto de amigos meus, consumidores finais, que compram e ainda não tiveram problema.
No video tem todo um estudo detalhado sobre confiabilidade do site que apresenta que reforça a robustez da empresa.
É avaliado principalmente:
O endereço físico do sede da empresa que mostra a existência real da empresa, e também que ela trabalho com a modalidade de estoque;
Detalhes sobre a holding, Grupo Level, que mostra a quantidade e distribuição das filiais;
Situação cadastral de débitos com fornecedores e também com o governo federal;
Nota e avaliações no reclameaqui;
Certificações contra vazamento de dados;
Volume do “trafego” para entender a quantidade de pessoas que compram diariamente;
Parceiro comercial que realiza transporte.
Coleta dos Dados
Para realizar nosso estudo iremos aplicar uma técnica de data science chamada web scrapping que consiste em pegar as informações online da url.
Utilizaremos a linguagem R como backend e framework proposto pela metodologia do tidyverse dando preferência para a biblioteca rvest.
Dados do site Pneus Store
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
#Primeiro vamos começar limpando o global environment
rm(list = ls())
#Utilizaremos a biblioteca tidyverse para o tratamento, manipulação e vizualização de dados.
library(tidyverse)
#Utilizaremos a biblioteca Janitor para nos ajudar no saneamento e tratamento dos dados
library(janitor)
#A biblioteca rvest será utilizada para realizar web scrapping das informações disponíveis.
library(rvest)
#Para realizar a análise exploratória e apresentação gráfica também usaremos o pacote DataExplorer
library(DataExplorer)
#Para nos ajudar na parte de visualização também utilizaremos o pacote Patchwork
library(patchwork)
#Dentro do site pneu store o caminho dos pneus aro 14 estão salvo em 4 páginas
urls <- paste0("https://www.pneustore.com.br/categorias/pneus-de-carro/175-65-r14?q=%3Arelevance&page=", 0:4)
#A variavel "Links" vai realizar um looping entre as 4 páginas e salvar a url de cada pneu em uma lista
links <-urls %>%
map(read_html) %>%
map( ~tibble(link = html_attr(html_nodes(.x, "a"), "href")) %>%
filter(str_detect(link, "/categorias/pneus-de-carro/pneus-175-65r14/")) %>%
distinct() %>%
mutate(link = str_c("https://www.pneustore.com.br", link))) %>% bind_rows()
#A variavel bases_pneus_store irá armazenar os dados de todos os produtos disponíveis por página
bases_pneus_store <- links %>%
mutate(base = map(link, ~ read_html(.x) %>% html_node("table") %>% html_table() %>% as_tibble())) %>%
unnest(cols = base) %>% rename('variavel' = 'X1', 'resultado' = 'X2') %>%
pivot_wider(names_from = variavel,values_from = resultado) %>% janitor::clean_names() %>%
mutate(nome = map(link, ~ read_html(.x) %>% html_nodes('h1') %>% html_text2()),
resistencia_ao_rolamento = map(link, ~ read_html(.x) %>% html_node('.energy-efficiency') %>% html_attr('data-value')),
aderencia_em_pista_molhada = map(link, ~ read_html(.x) %>% html_node('.water-adhesion') %>% html_attr('data-value')),
ruido_externo = map(link, ~ read_html(.x) %>% html_node('.noise-level') %>% html_attr('data-value')),
preco_a_vista = map(link, ~ read_html(.x) %>% html_nodes('.price.my-2.font-black') %>% html_text2() %>% parse_number(locale = locale(decimal_mark = ","))),
preco_parcelado = map(link, ~ read_html(.x) %>% html_node(xpath = '//b') %>% html_text2() %>% parse_number(locale = locale(decimal_mark = ","))),
indice_de_peso = str_extract(indice_de_peso, "(?<=- )[^ ]*") %>% parse_number(locale = locale(decimal_mark = ",")),
indice_de_velocidade = str_extract(indice_de_velocidade, "(?<=- )[^ ]+(?= km)") %>% parse_number(locale = locale(decimal_mark = ",")))
Análise Exploratória (EDA)
Analisando a base descobrimos que contém 36 variáveis e 69 modelos de pneus. Também é possível notar que nossa base contém diferentes tipos primitivos de dados:
1
bases_pneus_store %>% glimpse()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
## Rows: 69
## Columns: 36
## $ link <chr> "https://www.pneustore.c…
## $ marca <chr> "PIRELLI", "FORMULA", "F…
## $ modelo <chr> "CINTURATO P1", "FORMULA…
## $ medida <chr> "175/65R14", "175/65R14"…
## $ largura <chr> "175mm", "175mm", "175mm…
## $ perfil <chr> "65%", "65%", "65%", "65…
## $ aro <chr> "14", "14", "14", "14", …
## $ diametro_total_em_mm <chr> "583.1", "583.1", "583.1…
## $ indice_de_peso <dbl> 475, 475, 475, 475, 475,…
## $ indice_de_velocidade <dbl> 190, 190, 190, 190, 190,…
## $ rft_run_flat <chr> "NÃO", "NÃO", "NÃO", "NÃ…
## $ tipo_de_construcao <chr> "RADIAL", "RADIAL", "RAD…
## $ peso <chr> "6.78", "6.572", "6.351"…
## $ extra_load <chr> "NÃO", "NÃO", "NÃO", "NÃ…
## $ protetor_de_bordas <chr> "NÃO", "NÃO", "NÃO", "NÃ…
## $ sidewall <chr> "BSW LETRAS PRETAS", "BS…
## $ tipo_de_terreno <chr> "HT", "HT", "HT", "HT", …
## $ desenho <chr> "Assimétrico", "Assimétr…
## $ tala_da_roda <chr> "5", NA, NA, NA, NA, "5.…
## $ tala_possiveis_da_roda <chr> "5-6", NA, NA, NA, NA, "…
## $ utqg <chr> "420AA", "180AB", "200BB…
## $ treadwear <chr> "420", "180", "200", "44…
## $ tracao <chr> "A", "A", "B", "B", "A",…
## $ temperatura <chr> "A", "B", "B", "B", "A",…
## $ registro_inmetro <chr> "001387/2012", "001387/2…
## $ garantia <chr> "5 anos Contra Defeito d…
## $ observacoes <chr> "Produto novo,Imagem mer…
## $ fabricante <chr> NA, "PIRELLI", "BRIDGEST…
## $ tipo_de_montagem <chr> NA, NA, NA, NA, "SEM CÂM…
## $ profundidade_do_sulco <chr> NA, NA, NA, NA, NA, "7.5…
## $ nome <list> "Pneu Pirelli Aro 14 Ci…
## $ resistencia_ao_rolamento <list> "C", "E", "E", "E", "F"…
## $ aderencia_em_pista_molhada <list> "E", "E", "E", "F", "E"…
## $ ruido_externo <list> "MEDIUM", "HIGH", "MEDI…
## $ preco_a_vista <list> 359.9, 329.9, 319.9, 34…
## $ preco_parcelado <list> 408.98, 374.89, 363.52,…
Analisando os dados descobrimos que existem 30 fornecedores diferentes e que alguns têm um portifólio de produtos mais variado que outros fornecedores.
Analisando os dados descobrimos que existem 49 modelos de pneus diferentes porque as variantes servem para atender necessidades diferentes, como por exemplo: desempenho em terrenos distintos e consumo de conbustível.
1
2
3
4
5
6
bases_pneus_store %>% count(modelo,sort = TRUE) %>%
ggplot(aes(x=reorder(modelo,n),y=n))+
geom_col(fill="lightblue")+
coord_flip()+
geom_text(aes(label=n))+
labs(title = "Quantidade de Pneus por Modelo",y="",x="")
Avaliação Final
Seleção das Principais Variáveis
Avaliando qualidade dos dados descobrimos que algumas das 36 variáveis tem muitos dados faltantes:
1
plot_missing(bases_pneus_store)
Avaliando estas variáveis, vermelhas e roxas, entendemos que não são relevantes para o trabalho e por isso iremos desconsiderar as 6: preco_parcelado, tala_possiveis_da_roda, talas_da_roda, fabricante, tipo_de_montagem, profundidade_do_sulco
Seguindo a sugestão do INMETRO entendemos que as variáveis resistencia_ao_rolamento, aderencia_em_pista_molhada, e ruido_externo são fundamentais:
Finalmente com base em pesquisa concluímos que 10 as principais variáveis principais para compor a nota_conceitual são:
Resistência ao Rolamento (Obrigatório): Está diretamente relacionada à eficiência energética, uma vez que mede a energia absorvida quando o pneu está rodando. Com isso, quanto menor for a resistência ao rodar, menor será o consumo de combustível e, consequentemente, menor será o impacto ao meio ambiente (emissão de CO 2 ). Na etiqueta, os pneus serão classificados em seis níveis, sendo A o mais eficiente e até F. Fonte;
Aderência em Pista Molhada (Obrigatório): É um indicador do desempenho que informa ao consumidor sobre a aderência do pneu em pistas molhadas. As escalas vão de A (melhor desempenho) até E, e abrange pneus para veículos de passeio e pesados. Essa classificação mede a distância percorrida pelo veículo após a frenagem quando a pista está molhada. Fonte;
Ruído Externo (Obrigatório): Indica o nível do ruído produzido pelos pneus em decibéis (dB) e, consequentemente, o impacto no meio ambiente. Este critério deve ter como limite máximo 75 dB para pneus de veículos de passeio, 77 dB para pneus de veículos comerciais leves e 78 dB para pneus de caminhões e ônibus. Fonte;
Tração (Obrigatório): É um índice baseado na capacidade do pneu parar um carro no asfalto ou concreto molhado. Não tem nada que ver com a habilidade do pneu fazer curvas. Há quatro categorias de tração, AA , A , B e C , AA sendo o mais alto e C o mais baixo. Fonte;
Temperatura (Obrigatório): O índice de temperatura escrita no pneu indica a capacidade do pneu dissipar o calor e como lida com o acúmulo dele. Há três possíveis índices: A, B e C, A sendo o melhor e C o pior. O índice só se aplica a pneus inflados corretamente de acordo com o valor de pressão descrito no manual do carro. Inflação, excesso de velocidade ou excesso de peso, faz com que o pneu aqueça mais rapidamente, causando seu desgaste precoce e, possivelmente ocasionando falhas no desempenho. Fonte;
Treadwear (Obrigatório): Este número pode variar de 60 a 700, e quanto maior o número, maior rendimento quilométrico terá o pneu. Por exemplo, um pneu Treadwear 400 deveria render duas vezes mais que um pneu com Treadwear 200. Vale lembrar, que nem sempre um pneu que dura mais é um pneu melhor, pois um pneu macio que tem maior aderência, poderá durar menos, mas oferecer um melhor desempenho em curvas e frenagens. Fonte;
Índice de peso (Obrigatório): Para saber o peso máximo o seu pneu suporta, você também pode conferir na tabela de índices de carga. Você encontrará um destes números estampados no seu pneu depois da medida. Exemplo: na medida 205/70R16 112S, 112 é o número que designa o peso máximo por pneu, neste caso 112 representa 1120kg. Fonte;
Preço (Opcional): Visando maior econômia quanto menor melhor.;
Registro INMETRO (Opcional): Os pneus novos radiais de passeio, comerciais leves, caminhões e ônibus comercializados no mercado brasileiro, produzidos no Brasil ou importados, devem conter a etiqueta. Fonte;
Índice de Velocidade (Opcional): Para encontrar a velocidade máxima que você pode dirigir com seu pneu, você pode consultar a tabela onde encontra todos os índices e velocidades respectivas. Você encontrará uma destas letras estampada no seu pneu depois da medida. Exemplo: na medida 215/45R17 100Y, Y é a letra que designa a velocidade máxima do pneu, neste caso Y representa 300 km/h na tabela. Fonte;
Extra Load (Opcional): Os pneus reforçados ou EXTRA LOAD (XL) destinam-se aos veículos pesados ou equipados com uma motorização potente. Os flancos dos pneus reforçados são mais rígidos do que os dos pneus clássicos designados por “SL” para “Standard Load”. A rigidez dos flancos permite suportar uma carga, uma pressão e tensões mais elevadas. Fonte.
Criação de Tabela com Nota Conceitual
Para conseguirmos realizar a avaliação de trade-off comparando as melhores características com o melhor preço, vamos utilizar a uma nota conceitual onde as variáveis tem pesos distintos e a nota final irá ponderar quais produtos tem melhor desempenho.
No calculo ponderado utilizaremos 10 variáveis, onde as obrigatórias terão um peso ponderado de 70% e as opcionais terão um peso de 30%.
Dentro das obrigátorias consideramos que “nota_resistencia_ao_rolamento”, “nota_aderencia_em_pista_molhada”, “nota_ruido_externo” tem uma importância maior por serem as três principais avalidas pelo INMETRO.
As demais notas obrigátorias “nota_tracao”, “nota_temperatura”, “nota_treadwear”, “nota_indice_de_peso” são atributos muito importantes para a durabilidade do produto.
Um ponto importante é que a “nota_indice_de_peso” consideramos como nota zero caso os pneus não suportem o peso total do carro, dessa forma desclassifica produtos que não suportem o peso mínimo do veículo, conforme informações disponíveis no manual do fabricante.
As varivárieis “nota_registro_inmetro”, “nota_indice_de_velocidade”, “nota_extra_load” foram consideradas opcionais porque caso se enquadrem nas condições são um “benefício plus” frente aos demais produtos concorrentes.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
#Cria dataset da nota conceitual e organiza os produtos conforme melhor desempenho
base_para_nota_conceitual<- bases_pneus_store %>%
select(nome,
marca,
resistencia_ao_rolamento,
aderencia_em_pista_molhada,
ruido_externo,
tracao,
temperatura,
treadwear,
indice_de_peso,
registro_inmetro,
indice_de_velocidade,
preco_a_vista,
preco_parcelado,
link) %>%
mutate(
#Resistência ao Rolamento (Obrigatório)
nota_resistencia_ao_rolamento = case_when(
resistencia_ao_rolamento == "A" ~ 7,
resistencia_ao_rolamento == "B" ~ 6,
resistencia_ao_rolamento == "C" ~ 5,
resistencia_ao_rolamento == "D" ~ 4,
resistencia_ao_rolamento == "E" ~ 3,
resistencia_ao_rolamento == "F" ~ 2,
TRUE ~ 1),
#Aderência em Pista Molhada (Obrigatório)
nota_aderencia_em_pista_molhada = case_when(
aderencia_em_pista_molhada == "A" ~ 7,
aderencia_em_pista_molhada == "B" ~ 6,
aderencia_em_pista_molhada == "C" ~ 5,
aderencia_em_pista_molhada == "D" ~ 4,
aderencia_em_pista_molhada == "E" ~ 3,
aderencia_em_pista_molhada == "F" ~ 2,
TRUE ~ 1),
#Ruído Externo (Obrigatório)
nota_ruido_externo = case_when(
ruido_externo == "A" ~ 7,
ruido_externo == "B" ~ 6,
ruido_externo == "C" ~ 5,
ruido_externo == "D" ~ 4,
ruido_externo == "E" ~ 3,
ruido_externo == "F" ~ 2,
TRUE ~ 1),
#Tração (Obrigatório)
nota_tracao = case_when(
tracao == "AA" ~ 4,
tracao == "A" ~ 3,
tracao == "B" ~ 2,
TRUE ~ 1),
#Temperatura (Obrigatório)
nota_temperatura = case_when(
temperatura == "A" ~ 3,
temperatura == "B" ~ 2,
TRUE ~ 1),
#Treadwear (Obrigatório)
nota_treadwear = case_when(
treadwear >= 60 & treadwear <= 200 ~ 1,
treadwear >= 201 & treadwear <= 400 ~ 2,
TRUE ~ 3),
#Índice de peso (Obrigatório)
nota_indice_de_peso = case_when((indice_de_peso*4) <1007 ~ 0,
indice_de_peso <= 462 ~ 1,
indice_de_peso > 462 & indice_de_peso <= 475 ~ 2,
TRUE ~ 3),
#Registro INMETRO (Opcional)
nota_registro_inmetro = case_when( is.na(registro_inmetro) ~ 0,
TRUE ~1),
#Índice de Velocidade (Opcional)
nota_indice_de_velocidade = case_when(indice_de_velocidade <= 190 ~ 0,
TRUE ~ 1),
#Extra Load (Opcional)
nota_extra_load = case_when(indice_de_velocidade == "SIM" ~ 1,
TRUE ~ 0),
nota_conceitual = (nota_resistencia_ao_rolamento * .7) + (nota_aderencia_em_pista_molhada * .7) + (nota_ruido_externo * .7) + (nota_tracao * .7) + (nota_temperatura * .7) + (nota_treadwear *.7) +
(nota_indice_de_peso * .7) + (nota_registro_inmetro * .3) + (nota_indice_de_velocidade * .3) + (nota_extra_load * .3)
) %>% arrange(desc(nota_conceitual))
#Printa os primeiros produtos com melhor desempenho na nota conceitual
base_para_nota_conceitual %>% unnest() %>% glimpse()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
## Rows: 23
## Columns: 25
## $ nome <chr> "Pneu Ceat Aro 14 E…
## $ marca <chr> "CEAT", "DYNAMO", "…
## $ resistencia_ao_rolamento <chr> "C", "E", "E", "C",…
## $ aderencia_em_pista_molhada <chr> "B", "C", "C", "E",…
## $ ruido_externo <chr> "LOW", "MEDIUM", "M…
## $ tracao <chr> "B", "A", "A", "A",…
## $ temperatura <chr> "A", "A", "A", "A",…
## $ treadwear <chr> "440", "420", "420"…
## $ indice_de_peso <dbl> 475, 530, 475, 475,…
## $ registro_inmetro <chr> "002284/2018", "001…
## $ indice_de_velocidade <dbl> 190, 190, 210, 190,…
## $ preco_a_vista <dbl> 379.90, 274.90, 449…
## $ preco_parcelado <dbl> 431.70, 312.39, 511…
## $ link <chr> "https://www.pneust…
## $ nota_resistencia_ao_rolamento <dbl> 5, 3, 3, 5, 5, 5, 3…
## $ nota_aderencia_em_pista_molhada <dbl> 6, 5, 5, 3, 3, 3, 5…
## $ nota_ruido_externo <dbl> 1, 1, 1, 1, 1, 1, 1…
## $ nota_tracao <dbl> 2, 3, 3, 3, 3, 3, 3…
## $ nota_temperatura <dbl> 3, 3, 3, 3, 3, 3, 2…
## $ nota_treadwear <dbl> 3, 3, 3, 3, 3, 3, 3…
## $ nota_indice_de_peso <dbl> 2, 3, 2, 2, 2, 2, 2…
## $ nota_registro_inmetro <dbl> 1, 1, 1, 1, 1, 1, 1…
## $ nota_indice_de_velocidade <dbl> 0, 0, 1, 0, 0, 0, 0…
## $ nota_extra_load <dbl> 0, 0, 0, 0, 0, 0, 0…
## $ nota_conceitual <dbl> 15.7, 15.0, 14.6, 1…
Produto Ganhador
Com base nas características técnicas elencadas o produto que melhor atenderia nossas necessidades é Pneu Dynamo Aro 14 MH01 175/65R14 86T.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#Cria dataset dos top 20
df <- base_para_nota_conceitual %>% distinct(nome, nota_conceitual,preco_a_vista) %>% unnest() %>% top_n(wt = nome,n = 20)
#Cria medida calculada da nota média dos top 20
linha_mean <- mean(df$nota_conceitual)
#Cria gráfico mostrando o desempenho dos top 20
ggplot(df, aes(x = reorder(nome, nota_conceitual),y = nota_conceitual))+
geom_col(fill="lightblue")+
coord_flip()+
theme_minimal()+
geom_text(aes(label=nota_conceitual))+
labs(x="Nome do Pneu",y="Nota Conceitual",title = "Desempenho dos Top 20")+
geom_hline(yintercept = linha_mean, color = "orange",linetype = "dashed")+
annotate(geom = "text", x = 20, y = linha_mean, label = "Média da Nota Conceitual",color = "orange")+
scale_y_continuous(n.breaks = 15)+
geom_label(aes(label=scales::dollar(preco_a_vista,prefix = "R$",big.mark = ".",decimal.mark = ",")),hjust=4.5,color="blue",angle=45)+
annotate(geom = "label", x = 20, y = 8, label = "Preço à Vista",color = "blue")
Abaixo maiores detalhes técnicos do produto ganhador:
Racional da Escolha do Pagamento
Nosso orçamento para compra é R$ 1.500 por isso vamos comprar 5 pneus, garantindo o pneu reserva “step”, e quanto a forma de pagamento o site nos disponibiliza duas opções: Parcelar no cartão de crédito ou pagar no PIX.
Caso parcelemos no cartão de crédito podemos ter uma economia deixando o dinheiro aplicado rendendo 100% do CDI. A Calculadora Valor Investe nos ajudará a validar os cenários.
Cenário 1: Na simulação abaixo mostra o resultado que teríamos se optássemos investir e retirar após 11 meses, ou seja adiamos a compra, onde teríamos uma aumento de capital de R$ 61,76:
Cenário 2: Caso optemos por parcelar em 11 vezes, conforme gráfico abaixo onde vemos o rendimento acumulado mensalmente dada ação dos juros compostos, teríamos uma economia máxima de R$ 64,30:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
#Criamos uma tabela com base nos valores simuados na calculadora
df <- tibble(Month = c("Initial","Fev","Mar","Apr","May","Jun","Jul","Aug","Set","Oct","Nov","Dec"),
Investiment = c(1561.95,1567.69,1573.45,1579.23,1585.03,1590.85,1596.70,1602.57,1608.46,1614.37,1620.30,1626.25)) %>%
mutate(Month = fct_inorder(Month),Saving = Investiment - 1561.95)
#Gráfico do rendimento mensal
p1 <- ggplot(data = df,aes(x=Month,y=Investiment)) +
geom_col(fill="lightblue")+
geom_text(aes(label= scales::dollar(x = Investiment,prefix = "R$",big.mark = ".",decimal.mark = ",")),angle=45,size=3)+
theme_minimal()+
scale_y_continuous(n.breaks = 10,labels = scales::dollar_format(prefix = "R$",big.mark = ".",decimal.mark = ","))+
labs(title = "Rendimento Mensal Considerando 100% CDI",subtitle = 'Valores corrigidos pela inflação',x="",y="")
#Gráfico da economia mensal
p2 <- ggplot(data = df,aes(x=Month,y=Saving)) +
geom_col(fill="lightblue")+
geom_text(aes(label= scales::dollar(x = Saving,prefix = "R$",big.mark = ".",decimal.mark = ",")),angle=45,size=3)+
theme_minimal()+
scale_y_continuous(n.breaks = 10,labels = scales::dollar_format(prefix = "R$",big.mark = ".",decimal.mark = ","))+
labs(title = "Economia Mensal em Relação ao Valor Total dos Pneus (R$1.561,95)",caption = 'Fonte: https://valorinveste.globo.com/ferramentas/calculadoras/investimentos',x="",y="")
#Gráfico final comparativo
p1 + p2
Cenário 3: Caso optemos por realizar o pagamento no PIX teríamos uma economia de R$ 187,43 (R$ 1.561,95-R$ 1.374,52).
Tabela comparativa de economia em relação ao valor R$ 1.561,95:
| Cenário 1 | Cenário 2 | Cenário 3 |
|---|---|---|
| 3,95% | 4,12% | 12% |
O cenário 3 foi o ganhador, pagamento via PIX, e este percentual triplica quando comparamos com o preço oferecido pelas lojas físicas nos comércios locais.
Considerações Finais
Este trabalho trouxe benefícios como maior confiança na tomada de decisão e economia financeira, além de ter sido muito divertido, e uma das coisas mais interessantes foi que o produto ganhador não foi o mais caro e/ou aquele recomendado pela montadora.
Por isso estou satisfeito com a compra e inclusive os pneus já chegaram em casa:
Premissas: Este trabalho foi realizado com a linguagem R, IDE Rstudio, com Quarto, e sistema operacional Linux Mint.
Foram utilizados conhecimentos de data science e metodologias ágeis. Seguindo as boas práticas do mercado demos preferência para bibliotecas do tidyverse.
Observações
Tanto o script completo quanto a base de dados consolidada estão disponíveis no meu Repositório do GitHub.
Este artigo tem finalidade de estudo pessoal e não é recomendação de compra e/ou venda, caso tenha alguma dúvida técnica procure um mecânico de sua confiança.
Os preços e disponibilidade de estoque estão sujeitos à mudança dinâmica do mercado varejista;
As especificações técnicas podem sofrer alterações conforme novos decretos da agência regulamentadora;
O script para raspagem de dados foi criado considerando a estrutura atual da página pneus store, e mudanças estruturais no código fonte da página podem causar interferências no funcionamento.
Como sugestão cabe lembrar que para raspagem de dados sempre verifique as clausulas de LGPD.