Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,4 +1,4 @@
-# --- 1. IMPORTAÇÕES E CONFIGURAÇÃO DA PÁGINA ---
+ # --- 1. IMPORTAÇÕES E CONFIGURAÇÃO DA PÁGINA ---
 import streamlit as st
 import pandas as pd
 import numpy as np
@@ -57,14 +57,21 @@ def calcular_payback_descontado(fluxo_caixa, taxa_desconto):
     return np.inf
 
 @st.cache_data
-def simular_faturamento_bootstrap(_df_dados_mensais_numeric, precos_dict, cenarios_dict, n_simulacoes=2000, seed=42):
+# Alteração 2.1: A função agora recebe a eficiência geral da coleta
+def simular_faturamento_bootstrap(_df_dados_mensais_numeric, precos_dict, cenarios_dict, eficiencia_geral_coleta, n_simulacoes=2000, seed=42):
     np.random.seed(seed)
     faturamentos_simulados = {nome: [] for nome in cenarios_dict.keys()}
-    for nome_cen, fator in cenarios_dict.items():
+    for nome_cen, fator_cenario in cenarios_dict.items():
         for _ in range(n_simulacoes):
             df_amostrado = _df_dados_mensais_numeric.sample(n=12, replace=True)
-            faturamento_anual_iteracao = sum(df_amostrado[material].sum() * preco for material, preco in precos_dict.items())
-            faturamentos_simulados[nome_cen].append(faturamento_anual_iteracao * fator)
+            # Faturamento bruto com 100% da coleta histórica
+            faturamento_bruto_iteracao = sum(df_amostrado[material].sum() * preco for material, preco in precos_dict.items())
+            
+            # Alteração 2.2: Aplica a eficiência geral e depois o fator do cenário
+            faturamento_liquido = faturamento_bruto_iteracao * eficiencia_geral_coleta * fator_cenario
+            
+            faturamentos_simulados[nome_cen].append(faturamento_liquido)
+            
     return {nome: np.array(data) for nome, data in faturamentos_simulados.items()}
 
 def gerar_fluxo_caixa_projeto(investimento_inicial, receita_anual_base, custos_operacionais_anuais, horizonte_anos, taxa_crescimento):
@@ -78,7 +85,6 @@ def gerar_fluxo_caixa_projeto(investimento_inicial, receita_anual_base, custos_o
 # --- 4. CARREGAMENTO DE DADOS (FUNÇÃO CACHEADA) ---
 @st.cache_data
 def carregar_dados():
-    """Carrega apenas os dados iniciais do projeto. É seguro cachear esta função."""
     meses = ['Jan', 'Fev', 'Mar', 'Abr', 'Mai', 'Jun', 'Jul', 'Ago', 'Set', 'Out', 'Nov', 'Dez']
     dados_2024 = {
         'Mes': meses, 'Papel_Papelao': [8047, 11287, 8184, 10183, 5699, 5830, 7465, 5600, 2960, 5175, 9656, 3960],
@@ -88,18 +94,10 @@ def carregar_dados():
     }
     df_2024 = pd.DataFrame(dados_2024)
     df_2024_numeric = df_2024.drop(columns='Mes')
-
-    dados_anuais = {
-        'Ano': [2022, 2023, 2024], 'Papel_Papelao': [18780, 58718, df_2024_numeric['Papel_Papelao'].sum()],
-        'Plastico': [5340, 1041, df_2024_numeric['Plastico'].sum()],
-        'Metal': [1300, 1737, df_2024_numeric['Metal'].sum()],
-        'Vidro': [0, 725, df_2024_numeric['Vidro'].sum()]
-    }
+    dados_anuais = {'Ano': [2022, 2023, 2024], 'Papel_Papelao': [18780, 58718, df_2024_numeric['Papel_Papelao'].sum()], 'Plastico': [5340, 1041, df_2024_numeric['Plastico'].sum()], 'Metal': [1300, 1737, df_2024_numeric['Metal'].sum()], 'Vidro': [0, 725, df_2024_numeric['Vidro'].sum()]}
     df_anuais = pd.DataFrame(dados_anuais).set_index('Ano')
-    
     precos_iniciais = {'Papel_Papelao': 0.50, 'Plastico': 0.80, 'Metal': 2.00, 'Vidro': 0.30}
     custos_mensais_iniciais = {"Locacao_Maquina": 1100, "Coleta_Destinacao": 350, "Mao_de_Obra": 2500, "Outros": 500}
-    
     return df_2024, df_anuais, precos_iniciais, df_2024_numeric, custos_mensais_iniciais
 
 # --- 5. EXECUÇÃO INICIAL E SIDEBAR DE CONTROLES ---
@@ -109,38 +107,29 @@ st.sidebar.title(" Painel de Controle")
 st.sidebar.markdown("Use os menus abaixo para navegar entre as análises e ajustar os parâmetros do projeto.")
 st.sidebar.divider()
 
-pagina_selecionada = st.sidebar.radio( "Menu de Navegação",
+pagina_selecionada = st.sidebar.radio("Menu de Navegação",
     ["🔎 Análise Exploratória (EDA)", "🎯 Simulação de Faturamento", "📊 Análise de Viabilidade"],
     captions=["Análise dos dados históricos", "Projeção de receitas via simulação", "Cálculos de VPL, TIR e Risco"]
 )
 st.sidebar.divider()
 
-# --- PREMISSAS FINANCEIRAS COM AS ALTERAÇÕES ---
 with st.sidebar.expander("⚙️ Premissas Financeiras do Projeto", expanded=True):
-    # Alteração 1: Investimento inicial com novo valor padrão
     investimento_inicial = st.number_input("Investimento Inicial (R$)", min_value=1000.0, value=10000.0, step=1000.0)
-    
-    # Alteração 2: Custos mensais editáveis em vez de custo anual único
     st.markdown("**Custos Fixos Mensais (R$)**")
-    custos_mensais_editaveis = {}
-    for custo, valor in custos_mensais_iniciais.items():
-        custos_mensais_editaveis[custo] = st.number_input(custo.replace("_", " "), value=valor, step=50, key=custo)
-    
-    # O custo anual agora é calculado a partir dos custos mensais
+    custos_mensais_editaveis = {custo: st.number_input(custo.replace("_", " "), value=valor, step=50, key=custo) for custo, valor in custos_mensais_iniciais.items()}
     custos_operacionais_anuais = sum(custos_mensais_editaveis.values()) * 12
     st.info(f"Custo Anual Calculado: **{formatar_brl(custos_operacionais_anuais)}**")
-
     horizonte_projeto = st.slider("Horizonte do Projeto (anos)", 3, 20, 10)
     taxa_desconto = st.slider("Taxa de Desconto (TMA) (%)", 5.0, 25.0, 12.0, 0.5) / 100
     taxa_crescimento = st.slider("Crescimento Anual (Receitas/Custos) (%)", 0.0, 10.0, 3.0, 0.5) / 100
     taxa_reinvestimento = st.slider("Taxa de Reinvestimento (MTIR) (%)", 2.0, 18.0, 10.0, 0.5) / 100
 
 with st.sidebar.expander("📈 Preços e Cenários de Simulação", expanded=False):
+    # Alteração 2.3: Novo controle mestre de eficiência
+    eficiencia_coleta_geral = st.slider("Eficiência Geral da Coleta (%)", 0, 100, 60, help="Fator mestre que afeta a quantidade de material coletado em todos os cenários.") / 100
     st.markdown("**Preços dos Materiais (R$/kg)**")
     precos_editaveis = {material: st.number_input(f"{material.replace('_', ' ')}", value=preco, step=0.1, key=f"preco_{material}") for material, preco in precos_iniciais.items()}
-    
-    st.markdown("**Fatores dos Cenários**")
-    # Alteração 3: Cenário pessimista com novo valor padrão
+    st.markdown("**Fatores de Variação de Cenário**")
     fator_pessimista = st.slider("Cenário Pessimista (%)", 0, 100, 60) / 100
     fator_otimista = st.slider("Cenário Otimista (%)", 100, 200, 115) / 100
 
@@ -148,11 +137,9 @@ st.sidebar.divider()
 st.sidebar.info(f"Última atualização: {pd.Timestamp.now(tz='America/Sao_Paulo').strftime('%d/%m/%Y %H:%M')}")
 
 
-# --- 6. LÓGICA DE RENDERIZAÇÃO DAS PÁGINAS (sem alterações aqui) ---
-# O restante do código permanece o mesmo, pois ele já utiliza as variáveis 
-# que ajustamos na barra lateral.
-
+# --- 6. LÓGICA DE RENDERIZAÇÃO DAS PÁGINAS ---
 if pagina_selecionada == "🔎 Análise Exploratória (EDA)":
+    # ... (código desta página não precisa de alteração)
     st.title("🔎 Análise Exploratória dos Dados de Coleta")
     st.markdown("O primeiro passo para qualquer projeção é entender o passado. Aqui, exploramos os dados históricos de coleta para identificar padrões, sazonalidades e anomalias.")
     st.divider()
@@ -174,22 +161,25 @@ if pagina_selecionada == "🔎 Análise Exploratória (EDA)":
         st.plotly_chart(fig_boxplot, use_container_width=True)
     st.info("O **gráfico de linhas** mostra a tendência e sazonalidade ao longo do ano. O **boxplot** revela a volatilidade de cada material: caixas mais 'altas' indicam maior variação mensal, o que se traduz em maior risco e incerteza no faturamento.")
 
+
 elif pagina_selecionada == "🎯 Simulação de Faturamento":
     st.title("🎯 Simulação e Projeção de Faturamento Anual")
-    st.markdown("Utilizando a técnica de bootstrapping, simulamos 2.000 possíveis anos de faturamento com base na volatilidade dos dados de 2024. Isso nos dá uma visão probabilística das receitas do projeto.")
+    st.markdown("Utilizando a técnica de bootstrapping, simulamos 2.000 possíveis anos de faturamento com base na volatilidade dos dados de 2024 e na eficiência de coleta definida.")
     st.divider()
     
     cenarios = {'Pessimista': fator_pessimista, 'Base': 1.0, 'Otimista': fator_otimista}
-    simulacoes_faturamento = simular_faturamento_bootstrap(df_2024_numeric, precos_editaveis, cenarios)
+    # Alteração 2.4: Passa o novo fator de eficiência para a função
+    simulacoes_faturamento = simular_faturamento_bootstrap(df_2024_numeric, precos_editaveis, cenarios, eficiencia_coleta_geral)
     
     kpi1, kpi2, kpi3 = st.columns(3)
     media_faturamento_base = np.mean(simulacoes_faturamento['Base'])
-    p05_base, p95_base = np.percentile(simulacoes_faturamento['Base'], [5, 95])
-    faturamento_material_base = {m: df_2024_numeric[m].sum() * p for m, p in precos_editaveis.items()}
+    desvio_padrao_base = np.std(simulacoes_faturamento['Base']) # Alteração 1.1: Calcula o desvio padrão
+    faturamento_material_base = {m: df_2024_numeric[m].sum() * p * eficiencia_coleta_geral for m, p in precos_editaveis.items()}
     material_mais_rentavel = max(faturamento_material_base, key=faturamento_material_base.get)
 
     kpi1.metric("Faturamento Anual Médio (Base)", formatar_brl(media_faturamento_base))
-    kpi2.metric("Intervalo de Confiança 90% (Base)", f"{formatar_brl(p05_base)} - {formatar_brl(p95_base)}")
+    # Alteração 1.2: Substitui o intervalo pelo desvio padrão
+    kpi2.metric("Desvio Padrão do Faturamento", formatar_brl(desvio_padrao_base), help="Mede a volatilidade ou risco do faturamento. Valores mais altos indicam maior incerteza.")
     kpi3.metric("Material Mais Rentável (Base 2024)", material_mais_rentavel.replace('_', ' '))
     st.divider()
     
@@ -212,7 +202,7 @@ elif pagina_selecionada == "📊 Análise de Viabilidade":
     st.markdown("Esta é a etapa final, onde combinamos as projeções de receita com as premissas de investimento e custos para avaliar a viabilidade do projeto sob a ótica do risco.")
     
     cenarios = {'Pessimista': fator_pessimista, 'Base': 1.0, 'Otimista': fator_otimista}
-    simulacoes_faturamento = simular_faturamento_bootstrap(df_2024_numeric, precos_editaveis, cenarios)
+    simulacoes_faturamento = simular_faturamento_bootstrap(df_2024_numeric, precos_editaveis, cenarios, eficiencia_coleta_geral)
     
     cenario_analise = st.radio("Selecione o cenário para a análise detalhada:", options=list(cenarios.keys()), index=1, horizontal=True)
     st.divider()
@@ -239,10 +229,7 @@ elif pagina_selecionada == "📊 Análise de Viabilidade":
         st.subheader("Visualização do Fluxo de Caixa do Projeto")
         df_fluxo = pd.DataFrame({'Ano': list(range(horizonte_projeto + 1)), 'Fluxo de Caixa': fluxo_caixa_projeto})
         df_fluxo['Fluxo Acumulado'] = df_fluxo['Fluxo de Caixa'].cumsum()
-        fig_fluxo = go.Figure(data=[
-            go.Bar(name='Fluxo Anual', x=df_fluxo['Ano'], y=df_fluxo['Fluxo de Caixa'], marker_color=['#d62728' if x < 0 else '#2ca02c' for x in df_fluxo['Fluxo de Caixa']]),
-            go.Scatter(name='Fluxo Acumulado', x=df_fluxo['Ano'], y=df_fluxo['Fluxo Acumulado'], mode='lines+markers')
-        ])
+        fig_fluxo = go.Figure(data=[go.Bar(name='Fluxo Anual', x=df_fluxo['Ano'], y=df_fluxo['Fluxo de Caixa'], marker_color=['#d62728' if x < 0 else '#2ca02c' for x in df_fluxo['Fluxo de Caixa']]), go.Scatter(name='Fluxo Acumulado', x=df_fluxo['Ano'], y=df_fluxo['Fluxo Acumulado'], mode='lines+markers')])
         fig_fluxo.update_layout(title_text="Fluxo de Caixa Anual e Acumulado", hovermode='x unified')
         st.plotly_chart(fig_fluxo, use_container_width=True)
 
@@ -253,11 +240,13 @@ elif pagina_selecionada == "📊 Análise de Viabilidade":
         
         prob_viabilidade = (np.array(vpls_mc) >= 0).mean()
         vpl_medio_mc = np.mean(vpls_mc)
+        vpl_std_mc = np.std(vpls_mc) # Alteração 1.3: Calcula o desvio padrão do VPL
 
         mc1, mc2, mc3 = st.columns(3)
         mc1.metric("VPL Médio Simulado", formatar_brl(vpl_medio_mc))
         mc2.metric("Probabilidade de Viabilidade", formatar_percentual(prob_viabilidade))
-        mc3.metric("Intervalo 90% do VPL", f"{formatar_brl(np.percentile(vpls_mc, 5))} a {formatar_brl(np.percentile(vpls_mc, 95))}")
+        # Alteração 1.4: Substitui o intervalo pelo desvio padrão
+        mc3.metric("Desvio Padrão do VPL", formatar_brl(vpl_std_mc), help="Mede a volatilidade ou risco do VPL. Valores mais altos indicam maior incerteza.")
         
         fig_mc = px.histogram(x=vpls_mc, nbins=50, title=f"Distribuição do VPL ({len(vpls_mc)} Simulações)")
         fig_mc.add_vline(x=0, line_dash="dash", line_color="red", annotation_text="Viabilidade")
@@ -268,17 +257,13 @@ elif pagina_selecionada == "📊 Análise de Viabilidade":
         conclusoes = []
         if vpl >= 0: conclusoes.append(f"✅ **Projeto VIÁVEL** no cenário '{cenario_analise}', com um VPL de **{formatar_brl(vpl)}**.")
         else: conclusoes.append(f"❌ **Projeto INVIÁVEL** no cenário '{cenario_analise}', com um VPL de **{formatar_brl(vpl)}**.")
-        
         if not pd.isna(tir) and tir > taxa_desconto: conclusoes.append(f"✅ A **TIR de {formatar_percentual(tir)} é superior à TMA de {formatar_percentual(taxa_desconto)}**, reforçando a atratividade.")
         else: conclusoes.append(f"❌ A **TIR de {formatar_percentual(tir)} é inferior à TMA**, um forte indicador contra o investimento.")
-        
         if prob_viabilidade > 0.75: conclusoes.append(f"✅ A simulação de Monte Carlo aponta uma **alta probabilidade de sucesso de {formatar_percentual(prob_viabilidade)}**.")
         elif prob_viabilidade > 0.5: conclusoes.append(f"⚠️ A probabilidade de sucesso de **{formatar_percentual(prob_viabilidade)} é moderada**.")
         else: conclusoes.append(f"❌ A probabilidade de sucesso de **{formatar_percentual(prob_viabilidade)} é baixa**, indicando risco elevado.")
-
         st.markdown("#### Conclusões Chave:")
         for c in conclusoes: st.markdown(f"- {c}")
-
         st.markdown("#### Parecer Final:")
         if vpl > 0 and prob_viabilidade > 0.7:
             st.success("**RECOMENDAÇÃO: APROVAR O PROJETO.** Os indicadores são fortemente positivos e a análise de risco confere robustez à decisão.")