Projetos em SQL
Churn SQL
Problema
Uma unidade fitness enfrentava o desafio da evasão silenciosa de alunos. A falta de um sistema que integrasse o histórico de frequência (catraca) com o status financeiro dificultava a identificação de padrões de comportamento — como queda súbita de treinos e atrasos de mensalidade — que precedem o cancelamento definitivo da matrícula.
Solução
Desenvolvimento de uma arquitetura de dados relacional e consultas analíticas para transformar dados brutos em uma estratégia de retenção antecipada. O projeto envolveu:
-
Modelagem Relacional (DDL/DML): Criação e organização de tabelas de Alunos e Frequência vinculadas por chaves estrangeiras;
-
Cruzamento de Informações: Uso de JOINS complexos para unir o comportamento de treino ao status financeiro de cada cliente;
-
Lógica Condicional: Aplicação de CASE WHEN para automação de alertas e classificação de engajamento.
Resultado
O projeto resultou em um sistema de monitoramento que categoriza os alunos por níveis de risco:
-
Risco Crítico (Financeiro): Alunos com mensalidades atrasadas e baixa frequência;
-
Atenção (Baixo Engajamento): Alunos com pagamentos em dia, mas que frequentaram a unidade menos de 5 vezes no último mês;
-
Fidelização Ativa: Geração de listas automáticas para o time de marketing agir preventivamente nos perfis de "Atenção", aumentando as chances de retenção;
-
Automação: Estruturação de consultas semanais para garantir que a lista de prioridades de vendas esteja sempre atualizada.
Ferramenta utilizada
-
SQL (Structured Query Language): Linguagem central para manipulação e extração de dados;
-
DB-Fiddle: Ambiente utilizado para simulação da arquitetura do banco de dados e execução das queries.
Fonte dos dados
-
Base de Dados Relacional Fictícia: Contendo histórico de acessos (catraca), perfis de alunos e registros de pagamentos mensais e trimestrais.
Documentação técnica
[Acesse o Código SQL Completo em Execução (DB-Fiddle)]:
Sales SQL
Problema
Uma livraria especializada em clássicos da literatura brasileira enfrentava falta de inteligência comercial para gerir seu catálogo. Sem um cruzamento de dados eficiente, era difícil identificar quais obras e autores geravam o maior volume de receita e quais possuíam maior giro de estoque, resultando em uma gestão baseada em suposições em vez de dados reais de faturamento.
Solução
Estruturação de um banco de dados relacional para garantir a integridade das informações e permitir análises profundas. O projeto envolveu:
-
Modelagem Relacional (DDL): Criação de tabelas de "Livros" e "Vendas" utilizando chaves primárias e estrangeiras para garantir a consistência dos dados;
-
Manipulação e Integração (DML/Joins): População de registros com obras clássicas e uso de JOINS para conectar o acervo ao histórico de transações operacionais;
-
Análise de Rankings (Aggregations): Utilização de funções de agregação e ordenação (ORDER BY) para cálculos de receita total e identificação de tendências.
Resultado
A extração de KPIs (Key Performance Indicators) vitais permitiu decisões mais assertivas:
-
Ranking de Faturamento: Identificação de obras como "Grande Sertão: Veredas" e "O Auto da Compadecida" como líderes absolutas de receita;
-
Mapeamento de Demanda: Visualização dos autores mais populares, permitindo priorizar a exposição e marketing das obras no topo do ranking;
-
Ações Estratégicas: Recomendação de combos promocionais para obras de menor giro e ajuste dos níveis de estoque para itens de alto giro, evitando rupturas de vendas.
Ferramenta utilizada
-
SQL (Linguagem de Consulta Estruturada): Tecnologia central para arquitetura e análise;
-
DB-Fiddle: Ambiente de simulação para execução de queries em tempo real.
Fonte dos dados
-
Base de dados composta por um acervo literário detalhado (títulos, autores e preços unitários) cruzado com o histórico de transações operacionais da livraria.
Documentação técnica
[Acesse o Código SQL Completo em Execução (DB-Fiddle)]: