Create app.py

app.py

@@ -0,0 +1,214 @@
+import streamlit as st
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+from scipy.stats import binom
+import pandas as pd
+import plotly.graph_objects as go
+from plotly.subplots import make_subplots
+
+# Configuração da página
+st.set_page_config(
+    page_title="Aérea Confiável - Simulador",
+    page_icon="✈️",
+    layout="wide"
+)
+
+# Título principal
+st.title("✈️ Aérea Confiável - Simulador de Overbooking e ROI")
+st.markdown("---")
+
+# Sidebar com controles
+st.sidebar.header("Configurações")
+
+# Abas para organização
+tab1, tab2, tab3 = st.tabs(["Análise de Overbooking", "Simulação de ROI", "Relatório Executivo"])
+
+with tab1:
+    st.header("Análise de Overbooking")
+    
+    # Controles interativos
+    col1, col2, col3 = st.columns(3)
+    with col1:
+        capacidade = st.slider("Capacidade da Aeronave", 100, 200, 120)
+    with col2:
+        passagens_vendidas = st.slider("Passagens Vendidas", capacidade, capacidade+30, 130)
+    with col3:
+        taxa_comparecimento = st.slider("Taxa de Comparecimento (%)", 70, 100, 88) / 100
+    
+    # Cálculos
+    prob_overbooking = 1 - binom.cdf(capacidade, passagens_vendidas, taxa_comparecimento)
+    
+    # Métricas
+    col1, col2, col3 = st.columns(3)
+    col1.metric("Probabilidade de Overbooking", f"{prob_overbooking*100:.2f}%")
+    col2.metric("Passageiros Esperados", f"{passagens_vendidas * taxa_comparecimento:.1f}")
+    col3.metric("Assentos Excedentes Esperados", 
+                f"{(passagens_vendidas * taxa_comparecimento) - capacidade:.1f}")
+    
+    # Gráficos
+    fig = make_subplots(
+        rows=1, cols=2,
+        subplot_titles=(
+            f"Probabilidade de Overbooking vs Passagens Vendidas",
+            f"Distribuição de Comparecimento para {passagens_vendidas} Passagens"
+        )
+    )
+    
+    # Gráfico 1
+    passagens_range = np.arange(capacidade, capacidade+30)
+    probabilidades = [1 - binom.cdf(capacidade, n, taxa_comparecimento) for n in passagens_range]
+    
+    fig.add_trace(
+        go.Scatter(x=passagens_range, y=probabilidades, mode='lines+markers', name='Probabilidade'),
+        row=1, col=1
+    )
+    
+    # Linha de limite de risco
+    fig.add_hline(y=0.07, line_dash="dash", line_color="red", 
+                 annotation_text="Limite de Risco 7%", row=1, col=1)
+    
+    # Gráfico 2
+    x = np.arange(max(0, capacidade-20), min(passagens_vendidas+1, capacidade+30))
+    prob_dist = binom.pmf(x, passagens_vendidas, taxa_comparecimento)
+    
+    fig.add_trace(
+        go.Bar(x=x, y=prob_dist, name='Distribuição', marker_color='orange'),
+        row=1, col=2
+    )
+    
+    # Linha de capacidade
+    fig.add_vline(x=capacidade, line_dash="dash", line_color="red", 
+                 annotation_text=f"Capacidade: {capacidade}", row=1, col=2)
+    
+    fig.update_layout(height=500, showlegend=False)
+    st.plotly_chart(fig, use_container_width=True)
+    
+    # Análise de viabilidade
+    st.subheader("Análise de Viabilidade Financeira")
+    
+    col1, col2 = st.columns(2)
+    with col1:
+        lucro_passagem = st.number_input("Lucro por Passagem (R$)", value=400)
+    with col2:
+        custo_indenizacao = st.number_input("Custo por Indenização (R$)", value=800)
+    
+    # Cálculo do lucro esperado
+    lucro_esperado = 0
+    for comparecem in range(0, passagens_vendidas + 1):
+        prob = binom.pmf(comparecem, passagens_vendidas, taxa_comparecimento)
+        
+        if comparecem <= capacidade:
+            lucro = comparecem * lucro_passagem
+        else:
+            excedentes = comparecem - capacidade
+            lucro = capacidade * lucro_passagem - excedentes * custo_indenizacao
+        
+        lucro_esperado += lucro * prob
+    
+    lucro_120 = 120 * lucro_passagem * taxa_comparecimento
+    
+    col1, col2 = st.columns(2)
+    col1.metric("Lucro Esperado (120 passagens)", f"R$ {lucro_120:,.2f}")
+    col2.metric("Lucro Esperado ( estratégia atual)", f"R$ {lucro_esperado:,.2f}")
+    
+    if lucro_esperado > lucro_120:
+        st.success("✅ ESTRATÉGIA VIÁVEL: A venda adicional traz lucro esperado positivo")
+    else:
+        st.error("❌ ESTRATÉGIA NÃO VIÁVEL: O risco supera o lucro esperado")
+
+with tab2:
+    st.header("Simulação de ROI do Sistema de Informação")
+    
+    col1, col2, col3 = st.columns(3)
+    with col1:
+        investimento = st.number_input("Investimento Inicial (R$)", value=50000)
+    with col2:
+        receita_esperada = st.number_input("Receita Adicional Esperada (R$)", value=80000)
+    with col3:
+        custo_operacional = st.number_input("Custo Operacional Anual (R$)", value=10000)
+    
+    # Simulação
+    n_simulacoes = st.slider("Número de Simulações", 1000, 10000, 5000)
+    variabilidade = st.slider("Variabilidade do Sistema (%)", 10, 50, 30) / 100
+    
+    if st.button("Executar Simulação de ROI"):
+        with st.spinner("Simulando..."):
+            # Simulação de Monte Carlo
+            receitas_simuladas = np.random.normal(
+                receita_esperada, 
+                receita_esperada * variabilidade, 
+                n_simulacoes
+            )
+            
+            rois_simulados = []
+            for receita in receitas_simuladas:
+                lucro = receita - custo_operacional
+                roi = (lucro / investimento) * 100
+                rois_simulados.append(roi)
+            
+            rois_simulados = np.array(rois_simulados)
+            
+            # Métricas
+            roi_medio = np.mean(rois_simulados)
+            prob_negativo = np.mean(rois_simulados < 0)
+            prob_alto = np.mean(rois_simulados > 50)
+            
+            col1, col2, col3 = st.columns(3)
+            col1.metric("ROI Médio Esperado", f"{roi_medio:.2f}%")
+            col2.metric("Probabilidade de ROI Negativo", f"{prob_negativo*100:.2f}%")
+            col3.metric("Probabilidade de ROI > 50%", f"{prob_alto*100:.2f}%")
+            
+            # Gráficos
+            fig = make_subplots(rows=1, cols=2, subplot_titles=("Distribuição do ROI", "Probabilidade Acumulada"))
+            
+            fig.add_trace(go.Histogram(x=rois_simulados, nbinsx=50, name="ROI"), row=1, col=1)
+            fig.add_vline(x=0, line_dash="dash", line_color="red", row=1, col=1)
+            
+            sorted_rois = np.sort(rois_simulados)
+            cdf = np.arange(1, len(sorted_rois) + 1) / len(sorted_rois)
+            fig.add_trace(go.Scatter(x=sorted_rois, y=cdf, mode='lines', name="CDF"), row=1, col=2)
+            fig.add_hline(y=0.5, line_dash="dash", line_color="green", row=1, col=2)
+            
+            fig.update_layout(height=400, showlegend=False)
+            st.plotly_chart(fig, use_container_width=True)
+            
+            # Recomendação
+            if prob_negativo < 0.1 and roi_medio > 30:
+                st.success("✅ RECOMENDA-SE O INVESTIMENTO: Bom retorno com risco controlado")
+            elif prob_negativo < 0.25 and roi_medio > 20:
+                st.warning("⚠️ INVESTIMENTO MODERADAMENTE RECOMENDADO: Retorno aceitável com risco moderado")
+            else:
+                st.error("❌ NÃO RECOMENDA-SE O INVESTIMENTO: Risco muito alto ou retorno insuficiente")
+
+with tab3:
+    st.header("Relatório Executivo")
+    
+    st.subheader("Principais Conclusões")
+    
+    st.info("""
+    **Sobre a Estratégia de Overbooking:**
+    - A venda de 130 passagens para um voo de 120 assentos apresenta risco calculado
+    - É essencial equilibrar o lucro adicional com o risco de indenizações
+    - Recomenda-se implementar protocolos para gestão de situações de overbooking
+    """)
+    
+    st.info("""
+    **Sobre o Sistema de Informação:**
+    - O investimento em sistema de gestão mostra ROI potencialmente positivo
+    - A automatização pode reduzir significativamente os riscos de overbooking
+    - Recomenda-se implementação faseada com monitoramento contínuo
+    """)
+    
+    st.subheader("Próximos Passos Recomendados")
+    st.write("""
+    1. Implementar política de overbooking com limite máximo de 125 passagens
+    2. Adquirir sistema de informação com módulo de previsão de demanda
+    3. Desenvolver programa de compensação para passageiros afetados
+    4. Estabelecer métricas de acompanhamento contínuo
+    5. Realizar revisão trimestral da estratégia
+    """)
+
+# Rodapé
+st.markdown("---")
+st.caption("Simulador desenvolvido para Aérea Confiável - Análise de Dados e Tomada de Decisão")