1
resposta

[Projeto] Desafio: gráficos de comparação

https://colab.research.google.com/drive/1kk2QnIkRPjNUfI-aeR8GFdhfbD56wxnC?usp=sharing

Compartilho aqui minha solução para o Desafio 09 do curso de Visualização de Dados com Python.

O que foi feito
O desafio propôs criar dois gráficos usando o dataset de vendas de lojas de departamentos (2016–2019):
Desafio 1 — Gráfico de colunas empilhadas com os valores absolutos de vendas por estado na Região Centro-Oeste em 2017 e 2018, com anotações destacando qual estado liderou cada ano.
Desafio 2 — Gráfico de barras horizontais empilhadas com valores percentuais, mostrando a distribuição proporcional dos modos de envio dentro de cada departamento.

Melhorias aplicadas além do básico
Durante o processo fui além do código sugerido e adicionei:

Subtítulo com a fonte dos dados em cada gráfico
Caixinhas de destaque (bbox) nas anotações de insight
Total geral no topo de cada barra do gráfico 1
Percentual e valor em reais dentro de cada segmento
Linha de referência em 50% no gráfico 2
Ajuste de cores para melhor contraste e legibilidade
Espaçamento adequado entre título e subtítulo

Nesta atividade utilizei o Claude (IA da Anthropic) como ferramenta de apoio no processo de aprendizado. A IA me ajudou a organizar os códigos de forma didática célula por célula, entender o que cada parâmetro faz na prática, identificar e corrigir pequenos problemas visuais nos gráficos, e ir além do código base adicionando melhorias profissionais.
O uso da IA não substituiu o aprendizado — pelo contrário, cada sugestão foi digitada, testada e compreendida antes de seguir em frente. Acredito que usar IA como ferramenta de estudo é uma habilidade importante para quem está iniciando na área de dados.
Aberto a feedbacks e sugestões!

1 resposta

Olá, Hewerson. Como vai?

Parabéns pela conclusão do desafio e, principalmente, pela postura proativa no aprendizado! É excelente ver como você utilizou a IA como um tutor para entender os "porquês" por trás de cada linha de código, em vez de apenas copiar e colar.

As melhorias que você implementou, como o uso de bbox nas anotações e a inclusão de valores absolutos e percentuais dentro dos segmentos, elevam o trabalho de um simples exercício para um nível de relatório executivo. Em Data Visualization, esses detalhes são o que chamamos de redução da carga cognitiva: o leitor não precisa "calcular" nada, pois a informação já está pronta para o consumo.

Aqui estão alguns pontos técnicos que valorizam as escolhas que você mencionou:

  • Gráficos Empilhados de Valores Absolutos: São ótimos para mostrar o volume total e a composição ao mesmo tempo. Colocar o total geral no topo é uma das melhores práticas para facilitar a comparação rápida entre os anos de 2017 e 2018.
  • Gráficos Empilhados 100% (Percentuais): Ao adicionar uma linha de referência em 50%, você cria uma âncora visual que permite identificar instantaneamente qual modo de envio domina mais da metade do volume de cada departamento.
  • Anotações com Insights: No Python, utilizar o parâmetro annotate do Matplotlib ou Seaborn com o uso de caixas de destaque (bbox) ajuda a guiar o olhar do usuário para o que realmente importa, transformando dados em narrativa.

Para seus próximos projetos, uma sugestão de "próximo nível" seria explorar a biblioteca Plotly caso precise de interatividade (como passar o mouse e ver os detalhes), ou continuar refinando o Matplotlib removendo bordas desnecessárias (spines) para deixar o gráfico ainda mais clean.

Seu compartilhamento do notebook no Colab ajuda muito a comunidade a ver exemplos reais de aplicação. Continue com essa mentalidade de testar e compreender cada parâmetro!

Espero que possa ter lhe ajudado!

Aliás, para liberar as funcionalidades de todos os apps, ative a Atividade nos apps do Gemini.