Sales Automation

Autor: Edson Soares

Descrição do Projeto

O projeto Sales Automation é uma solução para automatizar relatórios de vendas utilizando integração com Google Sheets e AWS SageMaker para realizar previsões e análises de dados. A aplicação foi desenvolvida com foco em automação de processos de negócios, extraindo dados de planilhas do Google Drive e realizando análises preditivas com AWS SageMaker.

Este projeto pode ser utilizado para gerar relatórios, consolidar dados de vendas, prever comportamentos e gerar insights que agregam valor às operações comerciais.

Funcionalidades Principais

• Integração com Google Sheets: Carrega dados de vendas, produtos e vendedores diretamente de planilhas armazenadas no Google Drive.
• Automação de Relatórios: Gera relatórios automáticos de vendas consolidadas, analisando métricas de desempenho.
• Análise Preditiva com AWS SageMaker: Utiliza AWS SageMaker para análise de dados e geração de previsões baseadas em algoritmos de machine learning.
• Banco de Dados Local: Armazena os dados em um banco de dados SQLite para consulta e análise futura.

Tecnologias Envolvidas

• Python: Linguagem de programação principal utilizada no projeto.
• Google Sheets API: Para integração e extração de dados diretamente das planilhas.
• Google Drive API: Para acesso e gerenciamento de arquivos no Google Drive.
• AWS SageMaker: Para realizar análises preditivas de vendas e machine learning.
• SQLite: Banco de dados local para armazenar as informações de vendas, produtos e vendedores.
• Jupyter Notebook: Para desenvolvimento e teste de código diretamente no AWS SageMaker.
• Git: Controle de versão e gerenciamento do projeto no GitHub.
• Bibliotecas Python: Pandas, Matplotlib, Gspread, Oauth2client, Boto3.

Estrutura do Projeto

sales_automation/
│
├── config/
│   └── credentials_google_api.json  # Credenciais de serviços para autenticação com Google API
│
├── data/
│   └── (Aqui estarão os arquivos de dados de entrada, se necessário)
│
├── logs/
│   └── execution.log  # Log da execução do projeto
│
├── src/
│   ├── auth_google.py  # Autenticação com Google API
│   ├── google_sheets_interaction.py  # Integração com Google Sheets
│   ├── sagemaker_integration.py  # Integração com AWS SageMaker
│   ├── database.py  # Conexão com banco de dados SQLite
│   ├── setup.py  # Criação das tabelas no banco de dados
│   ├── utils.py  # Funções auxiliares (carregar planilhas, processar dados, etc.)
│   └── main.py  # Execução principal do projeto
│
└── README.md

Como Executar o Projeto Localmente

Pré-requisitos

Antes de executar o projeto, certifique-se de que você tem os seguintes itens instalados:

• Python 3.x
• Pip (gerenciador de pacotes Python)
• Conta no Google Cloud para acessar as APIs do Google (Google Sheets e Drive)
• AWS CLI configurada para acesso ao AWS SageMaker

Passo a Passo para Executar o Projeto

Clone o Repositório:

No terminal, execute:

git clone https://github.com/edsondearaujo/sales_automation.git

  cd sales_automation

Instale as Dependências:

Execute o comando para instalar todas as bibliotecas Python necessárias:

pip install -r requirements.txt

Configuração das Credenciais do Google API:

Obtenha as credenciais do Google API seguindo este guia.

• Salve o arquivo credentials_google_api.json no diretório config/. Configuração do AWS SageMaker:

• Certifique-se de que sua AWS CLI está configurada corretamente com suas credenciais.

• Configure um endpoint no SageMaker que o código possa usar para inferências.

• Inicialize o Banco de Dados:

• Execute o script de configuração do banco de dados para criar as tabelas:

python3 src/setup.py

Executar a Aplicação:

Depois que o banco de dados estiver configurado e as credenciais estiverem corretas, execute o arquivo principal para iniciar o processamento:

python3 src/main.py

ou

python3 -m src.main #executar como módulo

Isso irá:

• Autenticar-se nas APIs do Google para acessar os dados do Google Sheets.
• Carregar os dados de produtos, vendas e vendedores.
• Inserir os dados no banco de dados SQLite.
• Gerar relatórios e interagir com o AWS SageMaker para previsões.
• Testar o Projeto com Dados Locais.

Se preferir testar o projeto com dados locais, você pode colocar um arquivo Excel na pasta data/ e modificar o código para carregar os dados a partir desse arquivo.

Logs

Os logs da execução são gravados no arquivo logs/execution.log, onde você pode verificar eventuais erros ou sucessos na execução das tarefas.

Como Contribuir

Sinta-se à vontade para enviar pull requests ou abrir issues no GitHub para contribuir com melhorias no projeto.

Se você tiver qualquer dúvida ou encontrar problemas, por favor, entre em contato!