Projeto de análise e automação Supply Chain Lead Time de Compras com Python, SQL e Power BI

Visão geral

Projeto de análise de lead time em supply chain com foco em compras, integração de bases heterogêneas e geração de indicadores para tomada de decisão. O pipeline lê um arquivo Excel de pedidos e um CSV de notas fiscais, normaliza chaves de documento, cruza as fontes, calcula o lead time em dias, remove duplicidades com critério analítico e disponibiliza o resultado final para consumo em Excel, SQLite e dashboards. Ferramentas como README estruturado, código reproduzível e narrativa orientada a impacto ajudam a transformar um script técnico em portfólio de dados para GitHub.

Storytelling 

Em operações de compras, atrasos entre a data do pedido e a entrada fiscal geram ruptura, excesso de estoque de segurança e perda de previsibilidade. Neste projeto, o objetivo é transformar dados operacionais dispersos em uma visão confiável do tempo de atendimento do fornecedor, permitindo acompanhar desempenho, identificar anomalias e priorizar ações de melhoria contínua.

O valor do projeto está menos no cálculo isolado e mais na construção de uma camada analítica: padronização de NF, tratamento de inconsistências, integração entre fontes, persistência em banco e preparação da base para visualização em Power BI. Em portfólios de ciência de dados, um bom README deve explicar objetivo, método, execução e resultados de forma reprodutível para que outra pessoa consiga entender e rodar o projeto.

Situação

A área de compras possuía informações de pedidos em Excel e registros fiscais em CSV, mas sem uma visão consolidada do lead time entre emissão do pedido e entrada da nota. Isso limitava a medição do desempenho do fornecedor e dificultava o desenho de dashboards e KPIs de supply chain.

Tarefa

Estruturar um pipeline analítico capaz de integrar as duas fontes, limpar números de NF, calcular lead time por documento, eliminar duplicidades com um critério consistente e disponibilizar a base final para exploração em SQL e visualização em Power BI.

Ação

• Desenvolvi a leitura e padronização dos arquivos com Python e pandas, tratando diferenças de formato entre Excel e CSV e extraindo apenas a parte numérica relevante da NF para garantir o cruzamento entre tabelas.
• Converti colunas de datas com tolerância a erro para evitar falhas silenciosas e permitir o cálculo robusto de lead time.
• Realizei o merge entre pedidos e notas fiscais pela NF normalizada, criando uma base analítica única para compras.
• Defini a regra de deduplicação por menor lead time por NF, uma escolha útil quando o objetivo é evitar contagem duplicada do mesmo documento e manter a ocorrência mais representativa para análise operacional.
• Exportei o resultado para Excel e carreguei a tabela em SQLite, viabilizando consultas SQL e integração com dashboards no Power BI.
• Estruturei o projeto como peça de portfólio com narrativa de negócio, stack utilizada, KPIs sugeridos e próximos passos analíticos, alinhando técnica e comunicação executiva.

Resultado

O projeto gera uma base final pronta para monitorar lead time de compras, comparar fornecedores, investigar desvios e alimentar dashboards gerenciais. Além disso, demonstra competências valiosas para um portfólio de dados: engenharia leve de dados, modelagem analítica, definição de métricas, uso de SQL e capacidade de traduzir dados em decisões operacionais.

Arquitetura analítica

1. Entrada de dados: Orders.xls e relatorioAnaliticoDeNotasFiscaisCompra.csv
2. Tratamento: limpeza de NF, validação de registros inválidos e padronização de datas
3. Integração: junção entre pedido e nota fiscal por chave normalizada
4. Métrica principal: LeadTime_dias = Data de entrada - Data Pedido MAR
5. Camada de persistência: exportação para lead_time_resultado.xlsx e carga em leadtime.db
6. Consumo analítico: consultas SQL e dashboard em Power BI

KPIs recomendados

Os painéis de supply chain costumam acompanhar lead time do fornecedor, variabilidade do lead time e indicadores ligados a cumprimento de prazo, pois essas métricas ajudam a identificar gargalos e priorizar melhorias com fornecedores.

• Lead time médio de compras
• Mediana de lead time
• Desvio padrão do lead time
• Percentual de pedidos dentro do SLA
• Top fornecedores com maior atraso médio
• Quantidade de NFs com lead time negativo ou inconsistente
• Evolução mensal do lead time
• Ranking de documentos críticos por atraso