Versão final e corrigida do dashboard

app.py

@@ -1,37 +1,234 @@
 import streamlit as st
 import pandas as pd
+import os
 import matplotlib.pyplot as plt
 import seaborn as sns
+import numpy as np
 
 # --- CONFIGURAÇÃO INICIAL DO DASHBOARD ---
 st.set_page_config(layout="wide", page_title="Análise de Fornecedor | Queiroz Cartões")
 
 # --- FUNÇÃO DE CARREGAMENTO DE DADOS (COM CACHE) ---
 @st.cache_data
-def carregar_dados(file_name='dados.csv'): # MUDANÇA 1: Nome do arquivo
-    # MUDANÇA 2: Usando pd.read_csv, que é mais leve
-    df = pd.read_csv(file_name, header=None) 
-    # Em CSVs, geralmente não precisamos pular linhas se salvamos a planilha correta.
-    # O header=None continua importante pois o arquivo CSV não terá nomes de coluna.
+def carregar_dados():
+    script_dir = os.path.dirname(__file__)
+    caminho_do_arquivo = os.path.join(script_dir, 'dados.csv')
+    
+    df = pd.read_csv(caminho_do_arquivo, header=None, encoding='latin-1', delimiter=';')
     
     df.columns = [
         'REMESSA', 'DATA_PEDIDO', 'DATA_RECEBIMENTO', 'DATA_DE_EXPEDICAO', 'RET-E', 'RET-R',
         'TIPO_DE_PLASTICO', 'CHIP', 'QTD_PLASTICO', 'DISTRIBUIDORA', 'TIPO_DE_MAQUINA',
         'RENOVACAO', 'FABRICA'
     ]
-    # Limpeza e preparação dos dados
-    df['DATA_RECEBIMENTO'] = pd.to_datetime(df['DATA_RECEBIMENTO'], format='mixed')
-    df['DATA_DE_EXPEDICAO'] = pd.to_datetime(df['DATA_DE_EXPEDICAO'], format='mixed')
+    
+    df = df.iloc[1:].reset_index(drop=True)
+    
+    df['DATA_RECEBIMENTO'] = pd.to_datetime(df['DATA_RECEBIMENTO'], dayfirst=True, errors='coerce')
+    df['DATA_DE_EXPEDICAO'] = pd.to_datetime(df['DATA_DE_EXPEDICAO'], dayfirst=True, errors='coerce')
+    df.dropna(subset=['DATA_RECEBIMENTO', 'DATA_DE_EXPEDICAO'], inplace=True)
     df['QTD_PLASTICO'] = pd.to_numeric(df['QTD_PLASTICO'], errors='coerce').fillna(0)
     df = df[df['QTD_PLASTICO'] > 0].copy()
+    df['dias_para_expedir'] = (df['DATA_DE_EXPEDICAO'] - df['DATA_RECEBIMENTO']).dt.days
+    df = df[df['dias_para_expedir'] >= 0].copy()
     df['TIPO_DE_PLASTICO'] = df['TIPO_DE_PLASTICO'].str.strip().str.lower()
     df['Mês'] = df['DATA_RECEBIMENTO'].dt.strftime('%Y-%m')
-    df['dias_para_expedir'] = (df['DATA_DE_EXPEDICAO'] - df['DATA_RECEBIMENTO']).dt.days
     df['sla_status'] = df['dias_para_expedir'] <= 3
+
+    # REGRA DE CONSISTÊNCIA FINAL
+    remessas_atrasadas_ids = df[df['sla_status'] == False]['REMESSA'].unique()
+    df.loc[df['REMESSA'].isin(remessas_atrasadas_ids), 'sla_status'] = False
+    
     return df
 
-# O restante do código do dashboard continua exatamente o mesmo...
-# (O código foi omitido aqui por brevidade, mas use o seu código completo da versão anterior)
-# --- Início do Dashboard ---
+# --- TÍTULO PRINCIPAL ---
 st.title("Análise de Performance de Fornecedor: Queiroz Cartões")
-# ... cole o resto do seu código do dashboard_melhorado.py aqui
+
+try:
+    df = carregar_dados()
+except Exception as e:
+    st.error(f"Ocorreu um erro inesperado ao carregar os dados: {e}")
+    st.stop()
+
+# --- CRIAÇÃO DAS ABAS ---
+tab_resumo, tab_performance, tab_consumo_custos = st.tabs([
+    "Resumo Gerencial", 
+    "Performance do Fornecedor (SLA)", 
+    "Análise de Consumo e Custos"
+])
+
+# --- CONTEÚDO DA ABA 1: RESUMO GERENCIAL ---
+with tab_resumo:
+    st.header("Diagnóstico de Personalizaçõa e Expedição/Envio de Cartões")
+    st.markdown("---")
+
+    # Cálculos para os KPIs
+    total_remessas = df['REMESSA'].nunique()
+    remessas_no_prazo = df[df['sla_status'] == True]['REMESSA'].nunique()
+    total_remessas_atrasadas = total_remessas - remessas_no_prazo
+    sla_geral = (remessas_no_prazo / total_remessas) * 100 if total_remessas > 0 else 0
+    meta_sla = 95.0
+    custos_map = {'platinum': 1.80, 'gold': 1.90, 'black': 2.20}
+    consumo_total = df.groupby('TIPO_DE_PLASTICO')['QTD_PLASTICO'].sum()
+    custo_total_personalizacao = (consumo_total * consumo_total.index.map(custos_map)).sum()
+
+    # --- ALTERAÇÃO 1: 4 KPIs NO RESUMO ---
+    col1, col2, col3, col4 = st.columns(4)
+    
+    col1.metric(
+        label="SLA Geral de Expedição (Meta: 95%)",
+        value=f"{sla_geral:.2f}%",
+        delta=f"{(sla_geral - meta_sla):.2f}% vs Meta",
+        delta_color="normal"
+    )
+    col2.metric(
+        label="Total de Remessas 🚚",
+        value=f"{total_remessas}"
+    )
+    col3.metric(
+        label="Total de Remessas Atrasadas 📦",
+        value=f"{total_remessas_atrasadas}"
+    )
+    col4.metric(
+        label="Custo de Personalização Total 💳",
+        value=f"R$ {custo_total_personalizacao:,.2f}"
+    )
+    
+    st.markdown("---")
+    
+    st.subheader("Diagnóstico da Situação")
+    st.warning(
+        f"""
+        A análise da operação revela uma **falha crítica de performance** do fornecedor Queiroz Cartões. 
+        De um total de **{total_remessas} remessas** analisadas, **{total_remessas_atrasadas} foram expedidas com atraso**, resultando em um SLA médio de apenas **{sla_geral:.2f}%**, muito abaixo da meta contratual de 95%.
+        A análise na aba 'Performance' demonstra que a falha é **crônica e sistêmica**, impactando diretamente a experiência do cooperado.
+        """
+    )
+
+    st.subheader("Recomendação para Tomada de Decisão")
+    with st.expander("Clique aqui para ver o Plano de Ação Recomendado"):
+        st.info(
+            """
+            **Recomenda-se o envio de um alerta ao atual fornecedor e prospecção de potenciais fornecedores substitutos para eventual quebra de contrato.**
+            
+            **Plano de Ação Detalhado:**
+            * **Imediato (1 semana):** Notificação formal de quebra de SLA e convocação de reunião com o fornecedor.
+            * **Curto Prazo (1 mês):** Aplicação de penalidades contratuais e prospecção de fornecedores alternativos.
+            * **Médio Prazo (2 meses):** Reavaliação e, se a performance não atingir a meta, início do processo de rescisão contratual. Caso contrario, prosseguir com a execução contratual com o atual fornecedor
+            """
+        )
+
+# --- CONTEÚDO DA ABA 2: PERFORMANCE (SLA) ---
+with tab_performance:
+    st.header("Análise Detalhada do Nível de Serviço (SLA)")
+    st.markdown("---")
+
+    remessas_atrasadas_df = df[df['sla_status'] == False]
+    tempo_medio_atraso = remessas_atrasadas_df['dias_para_expedir'].mean()
+    tempo_medio_geral = df['dias_para_expedir'].mean()
+
+    col1, col2, col3 = st.columns(3)
+    col1.metric("Total de Remessas no Prazo ✅", remessas_no_prazo)
+    col2.metric("Total de Remessas Atrasadas ❌", total_remessas_atrasadas)
+    col3.metric("Tempo Médio de Atraso 🗓️", f"{tempo_medio_atraso:.1f} dias")
+    st.markdown(f"O tempo médio geral de expedição (contando todas as remessas) é de **{tempo_medio_geral:.1f} dias**.")
+    st.markdown("---")
+    
+    st.subheader("Performance Mensal do SLA vs. Meta (95%)")
+    
+    # Cálculo do SLA Mensal consistente
+    sla_mensal_df = df.groupby('Mês')['REMESSA'].nunique().reset_index()
+    sla_mensal_df.rename(columns={'REMESSA': 'total_remessas'}, inplace=True)
+    remessas_no_prazo_mensal = df[df['sla_status'] == True].groupby('Mês')['REMESSA'].nunique().reset_index()
+    remessas_no_prazo_mensal.rename(columns={'REMESSA': 'remessas_no_prazo'}, inplace=True)
+    sla_mensal_final = pd.merge(sla_mensal_df, remessas_no_prazo_mensal, on='Mês', how='left').fillna(0)
+    sla_mensal_final['SLA'] = (sla_mensal_final['remessas_no_prazo'] / sla_mensal_final['total_remessas']) * 100
+    
+    # Gráfico
+    fig, ax = plt.subplots(figsize=(12, 6))
+    sns.set_style("whitegrid")
+    ax.plot(sla_mensal_final['Mês'], sla_mensal_final['SLA'], marker='o', label='SLA Mensal', color='royalblue', linewidth=2.5)
+    ax.axhline(y=meta_sla, color='red', linestyle='--', label=f'Meta de {meta_sla}%')
+    ax.set_title('Performance Mensal do SLA vs. Meta', fontsize=16)
+    ax.set_ylabel('SLA (%)', fontsize=12)
+    ax.set_xlabel('Mês', fontsize=12)
+    ax.set_ylim(0, 105)
+    ax.legend()
+    st.pyplot(fig)
+    
+    # --- ALTERAÇÃO 3: ADICIONANDO OBSERVAÇÃO ESTRATÉGICA ---
+    st.info(
+        """
+        **💡 Observação Importante:** É notável que o melhor desempenho de SLA do fornecedor ocorreu em **Junho**,
+        o mesmo mês que, segundo a aba 'Consumo e Custos', teve o **menor volume de demanda**.
+        Isso pode indicar que o fornecedor tem capacidade para atingir a meta, mas apenas sob baixa carga de trabalho,
+        sugerindo um problema de escalabilidade em sua operação.
+        """
+    )
+    st.markdown("---")
+    
+    # --- ALTERAÇÃO 2: ADICIONANDO TABELA DE DADOS DO GRÁFICO ---
+    st.subheader("Dados do Gráfico de SLA Mensal")
+    sla_tabela_display = sla_mensal_final[['Mês', 'SLA', 'total_remessas', 'remessas_no_prazo']]
+    sla_tabela_display['SLA'] = sla_tabela_display['SLA'].map('{:.2f}%'.format)
+    st.dataframe(sla_tabela_display)
+
+
+# --- CONTEÚDO DA ABA 3: CONSUMO E CUSTOS ---
+with tab_consumo_custos:
+    # (O conteúdo desta aba permanece o mesmo)
+    st.header("Análise Detalhada de Consumo e Custos")
+    st.markdown("---")
+    
+    st.subheader("Custos de Personalização")
+    col1, col2 = st.columns(2)
+    col1.metric(label="Custo Total de Personalização no Período", value=f"R$ {custo_total_personalizacao:,.2f}")
+    with col2:
+        custo_por_plastico = (consumo_total * consumo_total.index.map(custos_map))
+        st.dataframe(custo_por_plastico.round(2).rename("Custo por Produto"))
+    st.markdown("---")
+
+    st.subheader("Consumo de Plástico")
+    col1, col2 = st.columns(2)
+    with col1:
+        st.markdown("##### Consumo Mensal Total (Unidades)")
+        volume_mensal = df.groupby('Mês')['QTD_PLASTICO'].sum()
+        st.bar_chart(volume_mensal)
+    with col2:
+        st.markdown("##### Consumo Total por Produto (Unidades)")
+        st.dataframe(consumo_total.rename("Total Unidades"))
+    st.markdown("---")
+
+    st.subheader("Análise de Custo de Compra (Projeção)")
+    num_meses_analisados = df['Mês'].nunique()
+    consumo_medio_mensal = consumo_total / num_meses_analisados
+    
+    def calcular_custo_unitario_compra(v):
+        if v <= 10000: return 5.85
+        elif v <= 20000: return 5.50
+        elif v <= 35000: return 5.10
+        elif v <= 45000: return 4.80
+        elif v <= 55000: return 4.50
+        else: return 4.10
+    
+    volume_total_6_meses = (consumo_medio_mensal * 6).sum()
+    custo_total_6_meses = volume_total_6_meses * calcular_custo_unitario_compra(volume_total_6_meses)
+    
+    volume_total_12_meses = (consumo_medio_mensal * 12).sum()
+    custo_total_12_meses = volume_total_12_meses * calcular_custo_unitario_compra(volume_total_12_meses)
+    
+    col_cenario1, col_cenario2 = st.columns(2)
+    with col_cenario1:
+        st.markdown("##### Cenário de Compra para 6 Meses")
+        st.metric("Custo Total", f"R$ {custo_total_6_meses:,.2f}")
+        st.markdown(f"Volume: {volume_total_6_meses:,.0f} un. | Custo/Un: R$ {calcular_custo_unitario_compra(volume_total_6_meses):.2f}")
+    
+    with col_cenario2:
+        st.markdown("##### Cenário de Compra para 12 Meses")
+        st.metric("Custo Total", f"R$ {custo_total_12_meses:,.2f}")
+        st.markdown(f"Volume: {volume_total_12_meses:,.0f} un. | Custo/Un: R$ {calcular_custo_unitario_compra(volume_total_12_meses):.2f}")
+    
+    st.markdown("")
+    economia_anual = (custo_total_6_meses * 2) - custo_total_12_meses
+    if economia_anual > 0:
+        st.success(f"💡 **Recomendação:** Optar pelo cenário de 12 meses gera uma **economia anual de R$ {economia_anual:,.2f}**.")

verificar_colunas.py

@@ -0,0 +1,46 @@
+import pandas as pd
+import os
+
+def carregar_dados_final():
+    script_dir = os.path.dirname(__file__)
+    caminho_do_arquivo = os.path.join(script_dir, 'dados.csv')
+    
+    df = pd.read_csv(caminho_do_arquivo, header=None, encoding='latin-1', delimiter=';')
+    
+    df.columns = [
+        'REMESSA', 'DATA_PEDIDO', 'DATA_RECEBIMENTO', 'DATA_DE_EXPEDICAO', 'RET-E', 'RET-R',
+        'TIPO_DE_PLASTICO', 'CHIP', 'QTD_PLASTICO', 'DISTRIBUIDORA', 'TIPO_DE_MAQUINA',
+        'RENOVACAO', 'FABRICA'
+    ]
+    
+    df = df.iloc[1:].reset_index(drop=True)
+    
+    df['DATA_RECEBIMENTO'] = pd.to_datetime(df['DATA_RECEBIMENTO'], dayfirst=True, errors='coerce')
+    df['DATA_DE_EXPEDICAO'] = pd.to_datetime(df['DATA_DE_EXPEDICAO'], dayfirst=True, errors='coerce')
+    df.dropna(subset=['DATA_RECEBIMENTO', 'DATA_DE_EXPEDICAO'], inplace=True)
+    df['QTD_PLASTICO'] = pd.to_numeric(df['QTD_PLASTICO'], errors='coerce').fillna(0)
+    df = df[df['QTD_PLASTICO'] > 0].copy()
+    df['dias_para_expedir'] = (df['DATA_DE_EXPEDICAO'] - df['DATA_RECEBIMENTO']).dt.days
+    df = df[df['dias_para_expedir'] >= 0].copy()
+    df['sla_status'] = df['dias_para_expedir'] <= 3
+    
+    remessas_atrasadas_ids = df[df['sla_status'] == False]['REMESSA'].unique()
+    df.loc[df['REMESSA'].isin(remessas_atrasadas_ids), 'sla_status'] = False
+    
+    return df
+
+try:
+    df_final = carregar_dados_final()
+    
+    total_remessas = df_final['REMESSA'].nunique()
+    remessas_no_prazo = df_final[df_final['sla_status'] == True]['REMESSA'].nunique()
+    remessas_atrasadas = df_final[df_final['sla_status'] == False]['REMESSA'].nunique()
+
+    print("\n--- Números Finais e Corretos da Análise ---")
+    print(f"Total de Remessas Únicas Relevantes: {total_remessas}")
+    print(f"Total de Remessas No Prazo: {remessas_no_prazo}")
+    print(f"Total de Remessas Atrasadas: {remessas_atrasadas}")
+    print("---------------------------------------------")
+
+except Exception as e:
+    print(f"Ocorreu um erro: {e}")