Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,306 +1,267 @@
+# --- 1. IMPORTAÇÕES E CONFIGURAÇÃO DA PÁGINA ---
 import streamlit as st
 import pandas as pd
 import numpy as np
 import plotly.express as px
 import plotly.graph_objects as go
+import numpy_financial as npf
 
-# --- Configuração da Página ---
 st.set_page_config(
     layout="wide",
     page_title="Dashboard Estratégico de Reciclagem",
     page_icon="♻️"
 )
 
-# --- Carregamento e Preparação dos Dados ---
-@st.cache_data
-def carregar_dados():
-    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],
-        'Plastico':      [6353, 8771, 6993, 8050, 4880, 5296, 5937, 4747, 2446, 4109, 7667, 3367],
-        'Metal':         [1061, 2025, 1121, 1832, 716, 936, 1553, 904, 361, 630, 1904, 569],
-        'Vidro':         [5248, 6929, 6014, 5821, 3697, 3655, 4950, 3360, 1580, 3261, 6173, 2357]
-    }
-    df_2024 = pd.DataFrame(dados_2024)
-
-    dados_anuais = {
-        'Ano': [2022, 2023, 2024],
-        'Papel_Papelao': [18780, 58718, 84046],
-        'Plastico':      [5340, 1041, 8279],
-        'Metal':         [1300, 1737, 19955],
-        'Vidro':         [0, 725, 1709]
+# --- 2. ESTILO CSS PROFISSIONAL ---
+st.markdown("""
+<style>
+    .stMetric {
+        border-radius: 10px; padding: 15px; background-color: #FFFFFF;
+        border: 1px solid #E6E6E6; box-shadow: 0 4px 8px rgba(0,0,0,0.04);
     }
-    df_anuais = pd.DataFrame(dados_anuais).set_index('Ano')
-
-    precos = {
-        'Papel_Papelao': 0.50,
-        'Plastico': 0.80,
-        'Metal': 2.00,
-        'Vidro': 0.30
+    .stTabs [data-baseweb="tab-list"] { gap: 24px; }
+    .stTabs [data-baseweb="tab"] {
+        height: 50px; background-color: #F0F2F6; border-radius: 4px 4px 0px 0px; padding: 10px 15px;
     }
-    # DataFrame numérico para simulação e estatísticas
-    df_2024_numeric = df_2024.drop(columns='Mes')
-    return df_2024, df_anuais, precos, df_2024_numeric
-
-df_2024_original, df_anuais, precos, df_2024_numeric = carregar_dados()
-
-# --- Simulação de Faturamento com Bootstrapping ---
+    .stTabs [aria-selected="true"] { background-color: #FFFFFF; }
+</style>
+""", unsafe_allow_html=True)
+
+
+# --- 3. DEFINIÇÃO DAS FUNÇÕES GLOBAIS DE CÁLCULO ---
+def formatar_brl(valor): return f"R$ {valor:,.2f}"
+def formatar_percentual(valor): return f"{valor:.2%}" if pd.notna(valor) and not np.isinf(valor) else "N/A"
+def calcular_vpl(fluxo_caixa, taxa_desconto):
+    try: return npf.npv(taxa_desconto, fluxo_caixa)
+    except: return np.nan
+def calcular_tir(fluxo_caixa):
+    try: return npf.irr(fluxo_caixa) if np.any(np.sign(fluxo_caixa)) and np.any(np.sign(fluxo_caixa) * -1) else np.nan
+    except: return np.nan
+def calcular_mtir(fluxo_caixa, taxa_desconto, taxa_reinvestimento):
+    try: return npf.mirr(fluxo_caixa, taxa_desconto, taxa_reinvestimento) if np.any(np.sign(fluxo_caixa)) and np.any(np.sign(fluxo_caixa) * -1) else np.nan
+    except: return np.nan
+def calcular_payback_descontado(fluxo_caixa, taxa_desconto):
+    investimento_inicial = abs(fluxo_caixa[0])
+    fluxo_acumulado_descontado = 0
+    for periodo, valor in enumerate(fluxo_caixa[1:], 1):
+        fluxo_acumulado_descontado += valor / ((1 + taxa_desconto) ** periodo)
+        if fluxo_acumulado_descontado >= investimento_inicial:
+            ultimo_fluxo_necessario = investimento_inicial - (fluxo_acumulado_descontado - (valor / ((1 + taxa_desconto) ** periodo)))
+            return (periodo - 1) + (ultimo_fluxo_necessario / (valor / ((1 + taxa_desconto) ** periodo)))
+    return np.inf
 @st.cache_data
-def simular_faturamento_bootstrap(df_dados_mensais_numeric, precos_dict, fator_cenario=1.0, n_simulacoes=2000, seed=42):
+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_ano = []
-
-    if df_dados_mensais_numeric.empty:
-        return np.array([0] * n_simulacoes)
-
-    for _ in range(n_simulacoes):
-        faturamento_anual_iteracao = 0
-        # Amostra 12 meses COM REPOSIÇÃO dos dados históricos mensais
-        # Cada "linha" amostrada representa um mês com as quantidades de todos os materiais
-        df_amostrado_para_ano = df_dados_mensais_numeric.sample(n=12, replace=True, random_state=np.random.randint(0, 100000))
-
-        for material, preco_unitario in precos_dict.items():
-            if material in df_amostrado_para_ano.columns:
-                quantidade_total_material_ano = df_amostrado_para_ano[material].sum()
-                # Aplica o fator de cenário às quantidades anuais amostradas
-                quantidade_ajustada_cenario = quantidade_total_material_ano * fator_cenario
-                faturamento_anual_iteracao += quantidade_ajustada_cenario * preco_unitario
-        faturamentos_simulados_ano.append(faturamento_anual_iteracao)
-    return np.array(faturamentos_simulados_ano)
-
-cenarios_sim = {
-    'Pessimista': 0.85, # Redução de 15% na coleta
-    'Base': 1.0,
-    'Otimista': 1.15   # Aumento de 15% na coleta
-}
-cores_cenarios_sim = {'Base': '#1f77b4', 'Otimista': '#2ca02c', 'Pessimista': '#d62728'}
-
-# Realizar simulações para os cenários
+    faturamentos_simulados = {nome: [] for nome in cenarios_dict.keys()}
+    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_bruto_iteracao = sum(df_amostrado[material].sum() * preco for material, preco in precos_dict.items())
+            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):
+    fluxo_caixa = [-abs(investimento_inicial)]
+    for ano in range(1, horizonte_anos + 1):
+        fator_crescimento = (1 + taxa_crescimento) ** (ano - 1)
+        fluxo_liquido_ano = (receita_anual_base * fator_crescimento) - (custos_operacionais_anuais * fator_crescimento)
+        fluxo_caixa.append(fluxo_liquido_ano)
+    return fluxo_caixa
+
+# --- 4. CARREGAMENTO DE DADOS (FUNÇÃO CACHEADA) ---
 @st.cache_data
-def calcular_todas_simulacoes(df_numeric_data, precos_data):
-    simulacoes_completas = {}
-    for nome_cen, fator in cenarios_sim.items():
-        # Passar uma cópia ou garantir que os objetos sejam "hashable" para o cache
-        simulacoes_completas[nome_cen] = simular_faturamento_bootstrap(df_numeric_data.copy(), dict(precos_data), fator_cenario=fator)
-    return simulacoes_completas
-
-simulacoes_faturamento = calcular_todas_simulacoes(df_2024_numeric, precos)
-
-
-# --- Funções Auxiliares para Gráficos e Tabelas ---
-def formatar_brl(valor):
-    return f"R$ {valor:,.2f}"
-
-# --- Sidebar para Navegação ---
-with st.sidebar:
-    st.markdown("<h1 style='text-align: center; font-size: 26px;'>♻️ Análise Estratégica</h1>", unsafe_allow_html=True)
-    st.markdown("---")
-    pagina_selecionada = st.radio(
-        "Menu de Navegação:",
-        ["🎯 Visão Geral", "💰 Análise de Faturamento", "📦 Análise da Coleta"],
-        captions=["KPIs e Resumos Globais", "Detalhes e Cenários de Receita", "Volumes e Tendências de Materiais"]
-    )
-    st.markdown("---")
-    if pagina_selecionada != "🎯 Visão Geral":
-        st.subheader("Filtros Detalhados")
-        materiais_disponiveis = ['Todos'] + list(precos.keys())
-        material_filtro_detalhe = st.selectbox("Selecionar Material:", materiais_disponiveis, key="mat_detalhe")
-    st.markdown("---")
-    st.info(f"Última atualização: {pd.Timestamp.now(tz='America/Sao_Paulo').strftime('%d/%m/%Y %H:%M')}")
-
+def carregar_dados():
+    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], 'Plastico': [6353, 8771, 6993, 8050, 4880, 5296, 5937, 4747, 2446, 4109, 7667, 3367], 'Metal': [1061, 2025, 1121, 1832, 716, 936, 1553, 904, 361, 630, 1904, 569], 'Vidro': [5248, 6929, 6014, 5821, 3697, 3655, 4950, 3360, 1580, 3261, 6173, 2357]}
+    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()]}
+    df_anuais = pd.DataFrame(dados_anuais).set_index('Ano')
+    precos_iniciais = {'Papel_Papelao': 0.50, 'Plastico': 2.00, 'Metal': 2.30, 'Vidro': 0.90}
+    custos_mensais_iniciais = {"Locacao_Maquina": 4400, "Coleta_Destinacao": 1400, "Outros": 500}
+    return df_2024, df_anuais, precos_iniciais, df_2024_numeric, custos_mensais_iniciais
 
-# --- Conteúdo Principal ---
+# --- NOVA ESTRUTURA: FUNÇÕES DE RENDERIZAÇÃO DE PÁGINA ---
 
-if pagina_selecionada == "🎯 Visão Geral":
-    st.title("🎯 Visão Geral Estratégica")
-    st.markdown("Principais indicadores de desempenho e projeções de faturamento.")
-    st.markdown("---")
+def render_eda_page(df_2024, df_anuais):
+    """Renderiza todo o conteúdo da página de Análise Exploratória."""
+    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()
 
-    # KPIs
-    kpi1, kpi2, kpi3, kpi4 = st.columns(4)
-    sim_base = simulacoes_faturamento['Base']
-    media_faturamento_base = np.mean(sim_base)
-    p05_faturamento_base = np.percentile(sim_base, 5)
-    p95_faturamento_base = np.percentile(sim_base, 95)
+    st.subheader("Evolução da Coleta Total Anual (Histórico)")
+    df_coleta_anual = df_anuais.sum(axis=1).reset_index()
+    df_coleta_anual.columns = ['Ano', 'Coleta Total (kg)']
+    fig_evol_coleta = px.bar(df_coleta_anual, x='Ano', y='Coleta Total (kg)', text_auto='.3s', title="Volume Total Anual de Materiais Coletados")
+    st.plotly_chart(fig_evol_coleta, use_container_width=True)
+    st.warning("**Observação:** Note a queda acentuada na coleta de Plástico e Metal em 2023 em comparação com 2022 nos dados fornecidos. É crucial investigar se isso reflete a realidade operacional ou uma anomalia nos dados antes de prosseguir com projeções críticas.")
     
-    ultimo_ano_real = df_anuais.index.max()
-    coleta_total_ultimo_ano = df_anuais.loc[ultimo_ano_real].sum()
-
-    # Material mais rentável (baseado na média de 2024 e preços)
-    coleta_media_2024_material = df_2024_numeric.mean() # Média mensal
-    faturamento_medio_mensal_material = coleta_media_2024_material * pd.Series(precos)
-    material_mais_rentavel = faturamento_medio_mensal_material.idxmax()
-    rentabilidade_max = faturamento_medio_mensal_material.max() * 12 # Anualizado
-
-    with kpi1:
-        st.metric(label="Faturamento Anual Médio Simulado (Base)", value=formatar_brl(media_faturamento_base),
-                  help="Média das simulações de faturamento para o cenário base.")
-    with kpi2:
-        st.metric(label="Intervalo de Confiança 90% (Base)", value=f"{formatar_brl(p05_faturamento_base)} - {formatar_brl(p95_faturamento_base)}",
-                  help="Intervalo provável (90% de confiança) para o faturamento anual no cenário base.")
-    with kpi3:
-        st.metric(label=f"Coleta Total em {ultimo_ano_real}", value=f"{coleta_total_ultimo_ano:,.0f} kg",
-                  help="Soma de todos os materiais coletados no último ano com dados reais.")
-    with kpi4:
-        st.metric(label="Material Mais Rentável (Est. Anual)", value=f"{material_mais_rentavel}",
-                  help=f"Estimativa anual: {formatar_brl(rentabilidade_max)}")
-    st.markdown("---")
-
-
-    # Gráficos da Visão Geral
-    col_g1, col_g2 = st.columns([6, 4]) # Ajustar proporções das colunas
+    col1, col2 = st.columns(2)
+    with col1:
+        st.subheader("Coleta Mensal por Material (2024)")
+        df_melt_mensal = df_2024.melt(id_vars='Mes', var_name='Material', value_name='Quantidade (kg)')
+        fig_evol_mensal = px.line(df_melt_mensal, x='Mes', y='Quantidade (kg)', color='Material', title="Variação Mensal da Coleta por Material", markers=True)
+        st.plotly_chart(fig_evol_mensal, use_container_width=True)
+    with col2:
+        st.subheader("Distribuição da Coleta Mensal (2024)")
+        fig_boxplot = px.box(df_melt_mensal, x='Material', y='Quantidade (kg)', color='Material', title="Variação e Volatilidade da Coleta Mensal")
+        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.")
 
+def render_faturamento_page(df_2024_numeric, precos_editaveis, cenarios, eficiencia_coleta_geral):
+    """Renderiza todo o conteúdo da página de 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 e na eficiência de coleta definida.")
+    st.divider()
+    
+    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'])
+    desvio_padrao_base = np.std(simulacoes_faturamento['Base'])
+    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("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()
+    
+    col_g1, col_g2 = st.columns([6, 4])
     with col_g1:
         st.subheader("Distribuição do Faturamento Anual Simulado")
-        fig_dist_faturamento = go.Figure()
-        for nome_cen, data_sim in simulacoes_faturamento.items():
-            fig_dist_faturamento.add_trace(go.Histogram(
-                x=data_sim, name=nome_cen, histnorm='probability density',
-                opacity=0.7, marker_color=cores_cenarios_sim[nome_cen]
-            ))
-        fig_dist_faturamento.update_layout(
-            barmode='overlay', title_text="Comparativo de Cenários de Faturamento",
-            xaxis_title="Faturamento Anual Simulado (R$)", yaxis_title="Densidade",
-            legend_title_text='Cenário', template='plotly_white', height=400,
-            margin=dict(t=50, b=10)
-        )
-        st.plotly_chart(fig_dist_faturamento, use_container_width=True)
-
+        fig_dist = go.Figure()
+        for nome, data in simulacoes_faturamento.items():
+            fig_dist.add_trace(go.Histogram(x=data, name=nome, histnorm='probability density', opacity=0.75))
+        fig_dist.update_layout(barmode='overlay', title_text="Comparativo de Cenários de Faturamento", xaxis_title="Faturamento Anual (R$)", yaxis_title="Densidade de Probabilidade", legend_title_text='Cenário')
+        st.plotly_chart(fig_dist, use_container_width=True)
     with col_g2:
-        st.subheader("Composição do Faturamento (Base)")
-        # Calcular faturamento médio por material no cenário base
-        faturamento_material_base_lista = []
-        for material_nome in precos.keys():
-            sim_material_base = simular_faturamento_bootstrap(df_2024_numeric[[material_nome]], {material_nome: precos[material_nome]}, fator_cenario=1.0)
-            faturamento_material_base_lista.append({'Material': material_nome, 'Faturamento Médio': np.mean(sim_material_base)})
-        
-        df_faturamento_material_base = pd.DataFrame(faturamento_material_base_lista)
-        
-        fig_comp_faturamento = px.pie(df_faturamento_material_base, values='Faturamento Médio', names='Material',
-                                      title="Estimativa da Composição do Faturamento (Cenário Base)",
-                                      hole=0.4, template='plotly_white', height=400)
-        fig_comp_faturamento.update_layout(margin=dict(t=50, b=10))
-        st.plotly_chart(fig_comp_faturamento, use_container_width=True)
-
-    st.subheader("Evolução da Coleta Total Anual (Histórico)")
-    df_coleta_total_anual = df_anuais.sum(axis=1).reset_index()
-    df_coleta_total_anual.columns = ['Ano', 'Coleta Total (kg)']
-    fig_evol_coleta = px.bar(df_coleta_total_anual, x='Ano', y='Coleta Total (kg)',
-                             text_auto='.2s', template='plotly_white',
-                             title="Volume Total de Materiais Coletados por Ano")
-    fig_evol_coleta.update_traces(textposition='outside')
-    fig_evol_coleta.update_layout(height=350, yaxis_title="Coleta Total (kg)")
-    st.plotly_chart(fig_evol_coleta, use_container_width=True)
-
-
-elif pagina_selecionada == "💰 Análise de Faturamento":
-    st.title("💰 Análise Detalhada de Faturamento")
-    st.markdown(f"Explorando as simulações de faturamento. Filtro de Material: **{material_filtro_detalhe}**")
-    st.markdown("---")
-
-    simulacoes_faturamento_detalhe = {}
-    if material_filtro_detalhe == 'Todos':
-        simulacoes_faturamento_detalhe = simulacoes_faturamento
-        titulo_sufixo = " (Todos Materiais)"
-    else:
-        if material_filtro_detalhe in precos:
-            df_material_unico_numeric = df_2024_numeric[[material_filtro_detalhe]]
-            precos_material_unico = {material_filtro_detalhe: precos[material_filtro_detalhe]}
-            for nome_cen, fator in cenarios_sim.items():
-                simulacoes_faturamento_detalhe[nome_cen] = simular_faturamento_bootstrap(
-                    df_material_unico_numeric, precos_material_unico, fator_cenario=fator
-                )
-            titulo_sufixo = f" ({material_filtro_detalhe})"
-        else:
-            st.warning(f"Material '{material_filtro_detalhe}' não encontrado para simulação detalhada.")
-            titulo_sufixo = ""
-
-
-    if simulacoes_faturamento_detalhe:
-        # Tabela de Resumo
-        st.subheader(f"Resumo Estatístico das Simulações{titulo_sufixo}")
-        dados_resumo_lista = []
-        for nome_cen, data_sim in simulacoes_faturamento_detalhe.items():
-            dados_resumo_lista.append({
-                'Cenário': nome_cen,
-                'Faturamento Médio': formatar_brl(np.mean(data_sim)),
-                'Mediana': formatar_brl(np.median(data_sim)),
-                'Desvio Padrão': formatar_brl(np.std(data_sim)),
-                'Mínimo (P5)': formatar_brl(np.percentile(data_sim, 5)),
-                'Máximo (P95)': formatar_brl(np.percentile(data_sim, 95))
-            })
-        df_resumo_sim = pd.DataFrame(dados_resumo_lista).set_index('Cenário')
-        st.dataframe(df_resumo_sim, use_container_width=True)
-        st.markdown("---")
-
-        # Gráfico de Distribuição
-        st.subheader(f"Distribuição do Faturamento Simulado{titulo_sufixo}")
-        fig_dist_detalhe = go.Figure()
-        for nome_cen, data_sim in simulacoes_faturamento_detalhe.items():
-            fig_dist_detalhe.add_trace(go.Histogram(
-                x=data_sim, name=nome_cen, histnorm='probability density',
-                opacity=0.7, marker_color=cores_cenarios_sim[nome_cen]
-            ))
-        fig_dist_detalhe.update_layout(
-            barmode='overlay', title_text=f"Comparativo de Cenários{titulo_sufixo}",
-            xaxis_title="Faturamento Anual Simulado (R$)", yaxis_title="Densidade",
-            legend_title_text='Cenário', template='plotly_white', height=450
-        )
-        st.plotly_chart(fig_dist_detalhe, use_container_width=True)
-
-
-elif pagina_selecionada == "📦 Análise da Coleta":
-    st.title("📦 Análise Detalhada da Coleta")
-    st.markdown(f"Analisando dados de coleta. Filtro de Material: **{material_filtro_detalhe}**")
-    st.markdown("---")
-
-    df_coleta_analise = df_2024_original # Contém a coluna 'Mes'
-
-    # Evolução Mensal
-    st.subheader("Evolução Mensal da Coleta (2024)")
-    if material_filtro_detalhe == 'Todos':
-        df_melt_mensal = df_coleta_analise.melt(id_vars='Mes', value_vars=precos.keys(), var_name='Material', value_name='Quantidade')
-        fig_evol_mensal = px.line(df_melt_mensal, x='Mes', y='Quantidade', color='Material', markers=True,
-                                  title="Coleta Mensal de Todos os Materiais", template='plotly_white')
-    else:
-        if material_filtro_detalhe in df_coleta_analise.columns:
-            fig_evol_mensal = px.line(df_coleta_analise, x='Mes', y=material_filtro_detalhe, markers=True,
-                                      title=f"Coleta Mensal de {material_filtro_detalhe}", template='plotly_white',
-                                      labels={material_filtro_detalhe: 'Quantidade (kg)'})
-        else:
-            st.warning(f"Dados mensais para '{material_filtro_detalhe}' não encontrados.")
-            fig_evol_mensal = go.Figure()
-    fig_evol_mensal.update_layout(yaxis_title="Quantidade (kg)", height=400)
-    st.plotly_chart(fig_evol_mensal, use_container_width=True)
-    st.markdown("---")
+        st.subheader("Composição do Faturamento (Base 2024)")
+        df_faturamento_material = pd.DataFrame(list(faturamento_material_base.items()), columns=['Material', 'Faturamento'])
+        fig_comp = px.pie(df_faturamento_material, values='Faturamento', names='Material', hole=0.4, title="Faturamento por Material")
+        st.plotly_chart(fig_comp, use_container_width=True)
+
+def render_viabilidade_page(df_2024_numeric, precos_editaveis, cenarios, eficiencia_coleta_geral, investimento_inicial, custos_operacionais_anuais, horizonte_projeto, taxa_crescimento, taxa_desconto, taxa_reinvestimento):
+    """Renderiza todo o conteúdo da página de Análise de Viabilidade."""
+    st.title("📊 Análise de Viabilidade Financeira e Risco")
+    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.")
+    
+    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()
+    
+    receita_anual_media = np.mean(simulacoes_faturamento[cenario_analise])
+    fluxo_caixa_projeto = gerar_fluxo_caixa_projeto(investimento_inicial, receita_anual_media, custos_operacionais_anuais, horizonte_projeto, taxa_crescimento)
+    
+    vpl = calcular_vpl(fluxo_caixa_projeto, taxa_desconto)
+    tir = calcular_tir(fluxo_caixa_projeto)
+    mtir = calcular_mtir(fluxo_caixa_projeto, taxa_desconto, taxa_reinvestimento)
+    payback_desc = calcular_payback_descontado(fluxo_caixa_projeto, taxa_desconto)
+    
+    tab_kpis, tab_fluxo, tab_risco, tab_resumo = st.tabs(["📈 Indicadores Chave", "📂 Fluxo de Caixa", "🎲 Análise de Risco (Monte Carlo)", "📋 Resumo Executivo"])
+
+    with tab_kpis:
+        st.subheader(f"Indicadores para o Cenário: {cenario_analise}")
+        col1, col2, col3, col4 = st.columns(4)
+        col1.metric("VPL", formatar_brl(vpl), "Viável" if vpl >= 0 else "Inviável")
+        col2.metric("TIR", formatar_percentual(tir), "Superior à TMA" if pd.notna(tir) and tir > taxa_desconto else "Inferior à TMA")
+        col3.metric("MTIR", formatar_percentual(mtir), "Superior à TMA" if pd.notna(mtir) and mtir > taxa_desconto else "Inferior à TMA")
+        col4.metric("Payback Descontado", f"{payback_desc:.1f} anos" if not np.isinf(payback_desc) else "Não recupera")
+
+    with tab_fluxo:
+        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.update_layout(title_text="Fluxo de Caixa Anual e Acumulado", hovermode='x unified')
+        st.plotly_chart(fig_fluxo, use_container_width=True)
+
+    with tab_risco:
+        st.subheader(f"Simulação Monte Carlo para o VPL (Cenário: {cenario_analise})")
+        receitas_mc = np.random.choice(simulacoes_faturamento[cenario_analise], size=5000, replace=True)
+        vpls_mc = [calcular_vpl(gerar_fluxo_caixa_projeto(investimento_inicial, r, custos_operacionais_anuais, horizonte_projeto, taxa_crescimento), taxa_desconto) for r in receitas_mc]
+        prob_viabilidade = (np.array(vpls_mc) >= 0).mean()
+        vpl_medio_mc = np.mean(vpls_mc)
+        vpl_std_mc = np.std(vpls_mc)
+        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("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")
+        st.plotly_chart(fig_mc, use_container_width=True)
+
+    with tab_resumo:
+        st.subheader("Resumo Executivo e Parecer Final")
+        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.")
+        elif vpl > 0 and prob_viabilidade > 0.5: st.warning("**RECOMENDAÇÃO: APROVAR COM CAUTELA.** O projeto é viável, mas a análise de risco mostra sensibilidade. Recomenda-se um plano de monitoramento de riscos focado em garantir as receitas projetadas.")
+        else: st.error("**RECOMENDAÇÃO: REAVALIAR OU REJEITAR O PROJETO.** Os indicadores atuais, combinados com o perfil de risco, não justificam o investimento. Revisar premissas de receita, custos ou investimento inicial.")
+
+
+# --- SCRIPT PRINCIPAL E LÓGICA DE NAVEGAÇÃO ---
+def main():
+    """Função principal que carrega os dados e controla a navegação."""
+    
+    # Carrega todos os dados
+    df_2024, df_anuais, precos_iniciais, df_2024_numeric, custos_mensais_iniciais = carregar_dados()
 
-    # Boxplot da Coleta Mensal
-    st.subheader("Distribuição da Coleta Mensal por Material (2024)")
-    df_melt_box_coleta = df_coleta_analise.melt(id_vars='Mes', value_vars=precos.keys(), var_name='Material', value_name='Quantidade')
+    # Monta a sidebar e coleta as premissas do usuário
+    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()
     
-    df_plot_box = df_melt_box_coleta
-    if material_filtro_detalhe != 'Todos':
-        df_plot_box = df_melt_box_coleta[df_melt_box_coleta['Material'] == material_filtro_detalhe]
+    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()
+
+    with st.sidebar.expander("⚙️ Premissas Financeiras do Projeto", expanded=True):
+        investimento_inicial = st.number_input("Investimento Inicial (R$)", min_value=1000.0, value=5000.0, step=1000.0)
+        st.markdown("**Custos Fixos Mensais (R$)**")
+        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):
+        eficiencia_coleta_geral = st.slider("Eficiência Geral da Coleta (%)", 0, 100, 30, 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 de Variação de Cenário**")
+        fator_pessimista = st.slider("Cenário Pessimista (%)", 0, 100, 80) / 100
+        fator_otimista = st.slider("Cenário Otimista (%)", 100, 200, 115) / 100
+    
+    st.sidebar.divider()
+    st.sidebar.info(f"Última atualização: {pd.Timestamp.now(tz='America/Sao_Paulo').strftime('%d/%m/%Y %H:%M')}")
 
-    if not df_plot_box.empty:
-        fig_boxplot_coleta = px.box(df_plot_box, x='Material', y='Quantidade',
-                                    color='Material' if material_filtro_detalhe == 'Todos' else None,
-                                    title="Boxplot da Coleta Mensal", template='plotly_white')
-        fig_boxplot_coleta.update_layout(yaxis_title="Quantidade (kg)", height=450)
-        st.plotly_chart(fig_boxplot_coleta, use_container_width=True)
-    else:
-        st.info("Selecione um material para ver o boxplot ou 'Todos' para comparação.")
-    st.markdown("---")
+    # Chama a função de renderização correta com base na seleção da página
+    if pagina_selecionada == "🔎 Análise Exploratória (EDA)":
+        render_eda_page(df_2024, df_anuais)
     
-    # Estatísticas Descritivas da Coleta
-    st.subheader("Estatísticas Descritivas da Coleta Mensal (2024)")
-    desc_coleta = df_2024_numeric.describe().T[['mean', 'std', 'min', '50%', 'max']]
-    desc_coleta.columns = ['Média Mensal', 'Desvio Padrão', 'Mínimo', 'Mediana (50%)', 'Máximo']
-    if material_filtro_detalhe == 'Todos':
-        st.dataframe(desc_coleta.style.format("{:,.0f} kg"), use_container_width=True)
-    else:
-        if material_filtro_detalhe in desc_coleta.index:
-            st.dataframe(desc_coleta.loc[[material_filtro_detalhe]].style.format("{:,.0f} kg"), use_container_width=True)
-        else:
-            st.warning(f"Estatísticas para '{material_filtro_detalhe}' não disponíveis.")
+    elif pagina_selecionada == "🎯 Simulação de Faturamento":
+        cenarios = {'Pessimista': fator_pessimista, 'Base': 1.0, 'Otimista': fator_otimista}
+        render_faturamento_page(df_2024_numeric, precos_editaveis, cenarios, eficiencia_coleta_geral)
+
+    elif pagina_selecionada == "📊 Análise de Viabilidade":
+        cenarios = {'Pessimista': fator_pessimista, 'Base': 1.0, 'Otimista': fator_otimista}
+        render_viabilidade_page(df_2024_numeric, precos_editaveis, cenarios, eficiencia_coleta_geral, investimento_inicial, custos_operacionais_anuais, horizonte_projeto, taxa_crescimento, taxa_desconto, taxa_reinvestimento)
+
+if __name__ == '__main__':
+    main()