Grupo Lamoia
Grupo LamoiaDashboards · Setor de Lojas

Cronograma Operacional de Abertura de Lojas

Dados lidos ao vivo da planilha publicada · carregando…

Entrega de projeto mais próxima
aguardando dados
Projetos 3D em aberto
Próxima inauguração
aguardando dados
Inaugurações — próximos 30 dias

Tabela Operacional de Projetos em Andamento

projetos 3D (SketchUp) com prazo de 10 dias úteis após o pagamento da taxa — ordenados do prazo mais apertado para o mais folgado
≥ 5 dias < 5 dias prazo vencido
LeadMarcaCidadeConsultorGerenteData Pgt ProjetoPrazo ProjetoApresentaçãoSituação
Carregando dados da planilha…

Cronograma de Inaugurações

próximas lojas a inaugurar — mesma régua de cores aplicada à data de inauguração
Data de InauguraçãoLeadMarcaCidadeBairroEstadoResponsável InauguraçãoContagem
Carregando dados da planilha…

Panorama de Redes e Lojas

Setor de Lojas · dados atualizados em

Total de lojas
cadastradas na base
Lojas ativas
Vai inaugurar
pipeline imediato
Cidades atendidas
Lojas inativas
Ativas com delivery

Mapa de lojas ativas

Tamanho do ponto = nº de lojas na cidade · cor = marca predominante · passe o mouse para o detalhamento

% de lojas ativas com delivery

Plataformas de delivery

entre as lojas que informaram o app

Carteira de lojas ativas por consultor e marca

agrupado por gerente regional (Leomir · Ítalo · Edwin)

Lojas ativas por UF e marca

distribuição geográfica da rede

Top 10 cidades

maior concentração de lojas ativas

Interiorização da rede

quantas cidades têm 1, 2, 3+ lojas — mede dependência de praças únicas

Motivo das inativações

recodificada = loja seguiu operando com novo código (não é perda real)

Operadores multiloja

mesmo CNPJ raiz com mais de uma loja ativa — perfil ideal para ofertas de expansão
CNPJ raizLojasUnidades

Qualidade do cadastro

% de preenchimento nas lojas ativas — campos vazios limitam a gestão da rede

Base completa de lojas

clique no cabeçalho para ordenar · a busca filtra por qualquer campo · respeita os filtros do topo
CódigoMarcaFantasia CidadeUFBairro Consultor SituaçãoDeliveryApp

Análise de Faturamento

Setor de Lojas ·

Faturamento bruto
Faturamento líquido
descontados ICMS, IPI, PIS, COFINS
Clientes ativos
Ticket médio / mês
bruto ÷ clientes ativos

Faturamento mensal

bruto (barras) vs líquido (linha)

Índice de sazonalidade

100 = média — acima = mês quente, abaixo = mês frio

Faturamento por ano — sobreposição mensal

cada ano como linha, eixo X = mês

Crescimento YoY por mês (%)

variação de cada mês em relação ao mesmo mês do ano anterior

Ticket médio mensal

faturamento bruto ÷ nº de clientes ativos

Clientes ativos por mês

clientes únicos que compraram no mês

Faturamento por UF

distribuição geográfica no período filtrado

Faturamento por marca

registros com marca preenchida

Evolução mensal por grupo de cliente

série temporal de cada segmento da rede

Curva ABC de clientes (Pareto)

classificação por contribuição no faturamento

Top 30 clientes

ordenados por faturamento no período filtrado

#ClienteUFGrupoFaturamentoMesesTicket/mês

Top 30 produtos

ordenados por faturamento no período filtrado

#ProdutoFaturamentoQuantidadeClientes

10 clientes com menor faturamento

entre os top 50 do período — possíveis candidatos a reativação ou acompanhamento

#ClienteUFGrupoFaturamentoMesesTicket/mês

10 produtos com menor faturamento

entre os top 50 do período — possíveis candidatos a revisão de portfólio

#ProdutoFaturamentoQuantidadeClientes

Análise Preditiva

Semestre set/2026 — fev/2027 · meta: inflação + 5% (≈ +10% YoY)

Meta do semestre ?A diretoria definiu como meta inflação + 5% sobre o mesmo semestre do ano anterior (set/25–fev/26). Isso gera aproximadamente +10% de crescimento real. É o número que todos os outros indicadores tentam alcançar.
inflação + 5% sobre set/25–fev/26
Previsão estatística ?Média das projeções dos dois modelos matemáticos (Holt-Winters e Naive Sazonal). Usar a média de dois modelos diferentes reduz o risco de confiar demais em um só — se um erra pra cima e outro pra baixo, a média tende a acertar mais.
Gap meta vs previsão ?Diferença percentual entre o que os modelos projetam e o que a diretoria pede. Verde = previsão acima da meta (confortável). Vermelho = previsão abaixo (precisa de ação extra pra compensar).
Taxa de retenção ?Percentual de clientes que compraram nos últimos 6 meses E também nos 6 meses anteriores. Quanto mais alta, mais estável é a base de receita. Abaixo de 85% é sinal de alerta — cada cliente perdido precisa ser compensado por um novo.

Previsão vs Meta — mês a mês ?Compara a meta da diretoria (barras vermelhas claras) com o que cada modelo projeta para cada mês. Se a barra azul (Holt-Winters) ou a linha verde (Naive) ficam abaixo da vermelha, aquele mês precisa de ação comercial extra pra compensar.

barra vermelha = meta · barra azul = Holt-Winters · linha verde = Naive Sazonal

Série histórica + horizonte de previsão ?Mostra toda a trajetória real do faturamento (barras azuis) e, a partir do ponto onde os dados acabam, as projeções dos dois modelos (linhas tracejadas). A linha vermelha nos meses futuros é a meta. Permite ver de onde viemos e pra onde estamos indo.

barras = realizado · linhas tracejadas = projeções · linha pontilhada vertical = início da previsão

Análise de churn ?Churn = clientes que pararam de comprar. Comparamos os últimos 6 meses com os 6 anteriores: quem comprou nos dois períodos é "retido", quem só comprou antes é "perdido", quem só comprou agora é "novo". O ideal é que perdidos ≤ novos.

movimentação de clientes nos últimos 6 meses vs anteriores

O que a previsão diz pra diretoria

resumo executivo dos modelos

15 clientes em risco de churn ?Clientes com queda de faturamento superior a 20% comparando os últimos 6 meses com os 6 anteriores, e que tinham faturamento base acima de R$ 50 mil. São os que mais impactam se forem perdidos — priorize o contato comercial com eles.

queda superior a 20% no faturamento, com base acima de R$ 50 mil

#ClienteUFFat. anteriorFat. atualVariação

Produtos em alta ?Produtos com crescimento acima de 20% nos últimos 6 meses. São os que têm momentum positivo — vale escalar distribuição, garantir estoque e considerar promoções cruzadas com eles.

crescimento acima de 20% — oportunidades de escala

#ProdutoFat. anteriorFat. atualVariação

Produtos em queda ?Produtos com queda acima de 15% nos últimos 6 meses. Pode ser sazonalidade natural, perda de competitividade ou problema de distribuição. Vale investigar caso a caso antes de decidir descontinuar.

queda acima de 15% — candidatos a revisão

#ProdutoFat. anteriorFat. atualVariação

📐 Metodologia: como os modelos funcionam

1. Holt-Winters (Suavização Exponencial Tripla)

É o modelo estatístico clássico para séries temporais com tendência (o faturamento sobe ou desce ao longo dos anos?) e sazonalidade (quais meses são fortes e quais são fracos?). Ele decompõe a série em três componentes:

Previsão = Nível + Tendência + Sazonalidade

Nível (Lₜ) = α × (Yₜ − Sₜ₋₁₂) + (1−α) × (Lₜ₋₁ + Tₜ₋₁)
Tendência (Tₜ) = β × (Lₜ − Lₜ₋₁) + (1−β) × Tₜ₋₁
Sazonalidade (Sₜ) = γ × (Yₜ − Lₜ) + (1−γ) × Sₜ₋₁₂

Onde α, β e γ são pesos (entre 0 e 1) que o algoritmo otimiza automaticamente: α controla o quanto o nível reage a dados recentes, β a tendência, e γ a sazonalidade. Um α alto = "confia mais nos meses recentes"; um α baixo = "suaviza mais, muda devagar".

Por que foi escolhido: é o modelo padrão pra séries mensais com padrão sazonal claro (como sorvete, que tem pico no verão). Não precisa de variáveis externas — aprende direto do histórico. Funciona bem com 36+ meses de dados (temos 43).

Limitação neste caso: o modelo foi "contaminado" pela queda de jun-jul/2026 (dados possivelmente incompletos), o que puxou a previsão pra baixo. Por isso usamos um segundo modelo como contraponto.

2. Naive Sazonal com Tendência

Modelo mais simples e intuitivo: "o que aconteceu no mesmo mês do ano passado, ajustado pela tendência geral". Funciona assim:

Previsão(mês) = Valor(mesmo mês, ano anterior) × (1 + tendência)

Tendência = média dos últimos 12 meses ÷ média dos 12 meses anteriores − 1

Neste caso, a tendência calculada foi de +5,0% (a média mensal dos últimos 12 meses é 5% maior que a dos 12 anteriores).

Por que foi escolhido: é robusto contra dados incompletos no final da série (ignora o último mês ruim, porque olha o mesmo mês do ano anterior). Como benchmark, se o Naive acerta e o Holt-Winters erra, sabemos que o Holt-Winters foi contaminado — e vice-versa.

Limitação: não captura mudanças estruturais (ex: se a empresa abriu 30 lojas novas no último trimestre, o Naive não sabe disso — ele só conhece o passado).

3. Por que usar dois modelos?

Nenhum modelo sozinho é confiável para decisão de negócio. Usando dois com lógicas diferentes (um estatístico sofisticado + um intuitivo simples), a média dos dois reduz o erro. Se ambos concordam, a previsão é confiável. Se divergem muito (como neste caso), isso por si só é uma informação valiosa: significa que há incerteza no cenário, e a diretoria deve se preparar para os dois extremos.

🤖 Assistente Lamoia