Enlighten Data Story: Performance iFood

01. Objetivo do Estudo

O objetivo principal deste estudo foi avaliar a eficácia estatística de uma nova campanha de marketing proposta (Campanha B) em relação à campanha base atual (Campanha A). Na tomada de decisão orientada a dados, depender apenas das taxas de conversão absolutas pode levar a Erros Tipo I (Falsos Positivos). Portanto, uma metodologia rigorosa de Teste A/B foi implementada para determinar se as diferenças observadas eram estatisticamente significativas ou meramente devido à variação aleatória.

02. Metodologia e Pipeline de Dados

O pipeline analítico foi construído usando uma abordagem dual-stack para garantir máxima precisão e integridade dos dados:

• Pré-processamento de Dados (Python): Os conjuntos de dados brutos foram ingeridos, limpos e transformados usando pandas e numpy. O tamanho da amostra observada (n=333 conversões válidas) foi medido em relação ao alvo amostral teórico (n=339, calculado a um Nível de Confiança de 95% e Margem de Erro de 5%), alcançando uma representatividade altamente aderente de 98,2%.
• Modelagem e Testes (Power BI & DAX): O conjunto de dados tratado foi importado para o Power BI. Medidas DAX personalizadas foram desenvolvidas para calcular dinamicamente as Taxas de Conversão e executar o Teste Z para proporções, gerando o P-Valor final.

03. Resultados e Recomendação Estratégica

A análise estatística resultou em um P-Valor de 0,14. Como este valor é estritamente maior que o limite alfa estabelecido (0,05), falhamos em rejeitar a hipótese nula. Em termos de negócios: não há evidências estatísticas para afirmar que a Campanha B supera a Campanha A.

Além disso, a análise multivariada revelou que fatores demográficos — especificamente Nível de Renda e Escolaridade (ex: coortes de Doutorado/PhD) — foram preditores de conversão substancialmente mais fortes do que a própria peça publicitária.