Upload appp.py

appp.py

@@ -0,0 +1,172 @@
+# ================================================
+# Dashboard Interativo - ROI e Simulação de Overbooking
+# ================================================
+# Para rodar: streamlit run app.py
+# ================================================
+
+import streamlit as st
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+
+# ==========================
+# Função para simulação binomial
+# ==========================
+def simulate_binomial_revenue(N, p, r, nsim=10000, random_seed=None):
+    rng = np.random.default_rng(random_seed)
+    X = rng.binomial(n=N, p=p, size=nsim)  # número de sucessos
+    return X * r
+
+# ==========================
+# Configurações iniciais do dashboard
+# ==========================
+st.set_page_config(page_title="Simulação ROI - Aérea Confiável", layout="wide")
+
+st.title("✈️ Simulação de ROI - Sistema de Previsão de Overbooking")
+st.markdown("""
+Este dashboard simula diferentes cenários de desempenho do sistema de previsão
+da **Aérea Confiável**, permitindo analisar **risco** e **retorno esperado**.
+""")
+
+# ==========================
+# Sidebar - Entradas do usuário
+# ==========================
+st.sidebar.header("⚙️ Parâmetros da Simulação")
+
+# Entradas financeiras
+investimento_inicial = st.sidebar.number_input("Investimento Inicial (R$)", min_value=10000.0, value=50000.0, step=1000.0)
+receita_alvo = st.sidebar.number_input("Receita Alvo (R$)", min_value=10000.0, value=80000.0, step=1000.0)
+custo_operacional = st.sidebar.number_input("Custo Operacional Anual (R$)", min_value=0.0, value=10000.0, step=1000.0)
+
+# Entradas do modelo binomial
+N = st.sidebar.slider("Número de Oportunidades (N)", min_value=50, max_value=500, value=200, step=10)
+p0 = st.sidebar.slider("Probabilidade Base de Sucesso (p0)", min_value=0.05, max_value=0.95, value=0.40, step=0.01)
+
+# Ajuste de cenários
+delta = st.sidebar.slider("Variação da Probabilidade ±", min_value=0.05, max_value=0.30, value=0.15, step=0.01)
+
+# Simulações
+nsim = st.sidebar.slider("Número de Simulações", min_value=1000, max_value=50000, value=20000, step=1000)
+
+# Limite de receita mínima
+target_threshold = st.sidebar.number_input("Receita Mínima Desejada (R$)", min_value=0.0, value=60000.0, step=1000.0)
+
+st.sidebar.markdown("---")
+st.sidebar.info("Ajuste os parâmetros acima para explorar diferentes cenários.")
+
+# ==========================
+# Cálculo do ROI determinístico
+# ==========================
+lucro_investimento = receita_alvo - custo_operacional
+roi_deterministico = (lucro_investimento / investimento_inicial) * 100
+
+st.subheader("📊 ROI Determinístico")
+st.metric(label="ROI (%)", value=f"{roi_deterministico:.2f}%")
+st.caption("ROI calculado apenas com os valores fixos, sem considerar incertezas.")
+
+# ==========================
+# Configuração dos cenários
+# ==========================
+cenarios = {
+    "Pessimista": max(0.01, p0 - delta),
+    "Real": p0,
+    "Otimista": min(0.99, p0 + delta)
+}
+
+# Receita por sucesso
+r = receita_alvo / (N * p0)
+
+# ==========================
+# Simulação
+# ==========================
+sim_results = {}
+summary_rows = []
+
+for nome, p in cenarios.items():
+    receita = simulate_binomial_revenue(N, p, r, nsim=nsim)
+    sim_results[nome] = receita
+
+    # Estatísticas
+    media = receita.mean()
+    mediana = np.median(receita)
+    desvio = receita.std(ddof=1)
+    prob_abaixo = (receita < target_threshold).mean()
+
+    roi_sim = (receita - custo_operacional) / investimento_inicial * 100
+    media_roi = roi_sim.mean()
+    prob_roi_negativo = (roi_sim < 0).mean()
+    pct_10 = np.percentile(roi_sim, 10)
+    pct_90 = np.percentile(roi_sim, 90)
+
+    summary_rows.append({
+        "Cenário": nome,
+        "p (Prob. Sucesso)": p,
+        "Receita Média (R$)": media,
+        "Mediana Receita (R$)": mediana,
+        "Desvio Padrão (R$)": desvio,
+        f"P(Receita < {target_threshold:,.0f})": prob_abaixo,
+        "ROI Médio (%)": media_roi,
+        "P(ROI < 0%)": prob_roi_negativo,
+        "ROI 10%": pct_10,
+        "ROI 90%": pct_90
+    })
+
+summary_df = pd.DataFrame(summary_rows).set_index("Cenário")
+
+# ==========================
+# Exibir Tabela
+# ==========================
+st.subheader("📈 Resumo dos Cenários")
+st.dataframe(summary_df.style.format({
+    "Receita Média (R$)": "R$ {:,.2f}",
+    "Mediana Receita (R$)": "R$ {:,.2f}",
+    "Desvio Padrão (R$)": "R$ {:,.2f}",
+    f"P(Receita < {target_threshold:,.0f})": "{:.2%}",
+    "ROI Médio (%)": "{:.2f}%",
+    "P(ROI < 0%)": "{:.2%}",
+    "ROI 10%": "{:.2f}%",
+    "ROI 90%": "{:.2f}%"
+}))
+
+# ==========================
+# Visualização - Gráficos
+# ==========================
+st.subheader("📊 Distribuição da Receita por Cenário")
+fig, ax = plt.subplots(figsize=(10,5))
+for nome, receita in sim_results.items():
+    ax.hist(receita, bins=50, alpha=0.6, label=f"{nome} (p={cenarios[nome]:.2f})")
+    ax.axvline(target_threshold, color='red', linestyle='--', label='Meta Receita' if nome=="Pessimista" else "")
+ax.set_title("Distribuição da Receita Anual")
+ax.set_xlabel("Receita (R$)")
+ax.set_ylabel("Frequência")
+ax.legend()
+ax.grid(True)
+st.pyplot(fig)
+
+# ROI Distribution
+st.subheader("📊 Distribuição do ROI por Cenário")
+fig2, ax2 = plt.subplots(figsize=(10,5))
+for nome, receita in sim_results.items():
+    roi_sim = (receita - custo_operacional) / investimento_inicial * 100
+    ax2.hist(roi_sim, bins=60, alpha=0.5, label=f"{nome} (p={cenarios[nome]:.2f})", density=True)
+ax2.set_title("Distribuição do ROI (%)")
+ax2.set_xlabel("ROI (%)")
+ax2.set_ylabel("Densidade")
+ax2.legend()
+ax2.grid(True)
+st.pyplot(fig2)
+
+# ==========================
+# Conclusão baseada nos resultados
+# ==========================
+st.subheader("💡 Conclusões e Recomendações")
+
+st.markdown(f"""
+- **ROI determinístico:** {roi_deterministico:.2f}%  
+- Cenário pessimista ainda mostra uma **probabilidade significativa de receita abaixo de R$ {target_threshold:,.0f}**, o que indica risco operacional.
+- No cenário otimista, o ROI médio ultrapassa 200%, com risco quase nulo de perdas.
+- A empresa deve considerar:
+  - Ajustar políticas de overbooking por rota ou perfil de cliente.
+  - Integrar dados em tempo real para reduzir variabilidade.
+  - Explorar precificação dinâmica para maximizar receita.
+""")