O Excel continua sendo uma das ferramentas mais utilizadas no mundo corporativo para análise de dados.
Mesmo com o avanço de soluções mais sofisticadas, como Power BI e Python, ele ainda é essencial para muitas empresas, principalmente porque profissionais de negócios estão acostumados com sua interface e funcionalidades.
No entanto, o que muitos não exploram é o poder do Power Query dentro do Excel. Com essa funcionalidade, é possível conectar-se diretamente a bancos de dados, importar informações automaticamente e criar consultas personalizadas, eliminando a necessidade de baixar e processar planilhas manualmente.
Isso não apenas economiza tempo, mas também torna o processo mais confiável e automatizado.
Se antes era preciso exportar dados, limpar e formatar manualmente, agora é possível fazer tudo isso de forma dinâmica, garantindo que as análises estejam sempre atualizadas e alinhadas com as necessidades do negócio.
Conteúdo
Por que o Excel ainda é indispensável na análise de dados?
Confesso que acho estranho quando vejo algumas pessoas dizendo “Excel nunca mais” após aprenderem ferramentas como SQL, Power BI ou Python.
Não me entenda mal, todas essas ferramentas são extremamente poderosas, mas subestimar o Excel é um erro.
Minha história com essa ferramenta começou durante meu estágio na Controladoria, e mesmo hoje, adquirindo mais experiência em outras ferramentas como, Microsoft Fabric e Databricks, o Excel continua sendo uma parte essencial do meu fluxo de trabalho.
O que torna o Excel tão especial? Além de ser acessível e amplamente utilizado no mundo dos negócios, ele permite que pessoas não técnicas compreendam as análises realizadas.
Enquanto nós, analistas de dados, lidamos bem com SQL, DAX e Python, muitas pessoas da área de negócios ainda dependem do Excel para interpretar e validar os dados. E essa troca com o time de negócios pode gerar excelentes ideias para produtos de dados!
Integrando SQL e Power Query no Excel
No projeto Car Sales, minha meta era criar uma análise ágil, utilizando o melhor de cada ferramenta.
Usei SQL para consultar os dados necessários e Power Query no Excel para conectar e transformar essas informações. Esse método proporciona mais flexibilidade e rapidez.
O fluxo ficou assim:
- Consulta SQL para extrair dados.
- Conexão e transformação no Power Query.
- Análise estatística diretamente no Excel.
Essa abordagem me permitiu explorar os dados com rapidez e gerar insights de maneira mais rápida, isso também ajuda na validação dos dados e criar um mini projeto junto a área de negócios.
Análises realizadas no Excel
Após criar uma consulta no SQL Server e conectar os dados no Power Query, passei para a etapa de análise descritiva dos dados. A consulta pode ser vista abaixo.
SELECT a.Status
, a.Qtde
, a.Valor
, a.Data
, l.Loja
, c.NomeCliente
, c.SiglaUF
, c.Estado
, c.Cidade
, b.Categoria
, b.Segmento
, b.Produto
, LEFT(b.Produto, CHARINDEX(' ', b.Produto)) AS Marca
FROM (
SELECT * FROM Vendas
UNION
SELECT * FROM Devolucoes) a
LEFT JOIN Lojas l ON a.IDloja = l.IDLoja
LEFT JOIN Clientes c ON a.IDCliente = c.IDCliente
LEFT JOIN (
SELECT p.IDProduto
, ca.Categoria
, p.Segmento
, p.Produto
FROM Produto p
LEFT JOIN Categoria ca ON p.IDCategoria = ca.IDCategoria ) b ON a.IDProduto = b.IDProduto
Cálculo da porcentagem de devolução
Identifiquei que a porcentagem de devolução era de 18,1%. Para isso, utilizei uma fórmula SOMASE, filtrando apenas os itens com status de devolução e dividindo pelo total de vendas. Esse número é um alerta para investigar as razões das devoluções.
Análise de frequência absoluta, relativa e acumulada
Realizei essa análise tanto para as vendas quanto para as devoluções, segmentando por categoria e marca. Isso permitiu entender a distribuição dos dados e encontrar padrões importantes.
Análise de Pareto por Categoria
Aplicando o princípio de Pareto, identifiquei que 74% das vendas estavam concentradas em duas categorias:
- Picape: 40,2%
- SUV: 33,7%
Já na análise das devoluções, constatei que 83% das devoluções em valor estavam concentradas em apenas duas categorias:
- SUV: 64,6%
- Hatches: 18,7%
Esses insights podem direcionar estratégias de marketing e atendimento para maximizar vendas e reduzir devoluções.
Análise de Pareto por Marca
Aprofundando a análise, analisei que 85% das vendas estavam distribuídas entre apenas 5 marcas das 9 disponíveis:
- Toyota: 39,7%
- Chevrolet: 18,9%
- Outras 3 marcas completam o restante.
Já as devoluções 86% estavam concentradas em 6 marcas, revelando padrões que podem indicar problemas de qualidade, com essa informação é possível estabelecer critérios de melhoria contínua e identificar as causas dessas devoluções..
Dicas Finais sobre Como o Excel e SQL junto ao Power Query Reduziram o Tempo de Análise no Projeto Car Sales
Com esse projeto eu quis demonstrar o poder do Excel quando combinado com SQL e Power Query. Ele não é apenas uma ferramenta auxiliar, mas um grande aliado na análise de dados.
Muitas decisões estratégicas podem ser tomadas com base em análises simples, antes mesmo de estruturar um dashboard no Power BI.
Além disso, reforço a importância de não negligenciar o Excel. Ele continua sendo a “linguagem” comum entre analistas de dados e profissionais de negócios.
Saber explorá-lo pode fazer toda a diferença para gerar insights relevantes e alinhar estratégias com diferentes áreas da empresa.
Esse artigo faz parte de uma série sobre o projeto Car Sales. Você pode acessar os artigos anteriores sobre SQL Server e Fluxo de Dados Gen2 no Microsoft Fabric, além do link para o projeto completo no meu portfólio, clicando aqui!
E você, como utiliza o Excel na sua rotina de análise? Compartilhe suas experiências nos comentários!
