Update src/streamlit_app.py

src/streamlit_app.py

@@ -6,39 +6,121 @@ import plotly.express as px
 import plotly.graph_objects as go
 import numpy_financial as npf
 
+# Configuração da página com um tema mais moderno
 st.set_page_config(
     layout="wide",
     page_title="Dashboard Estratégico de Reciclagem",
     page_icon="♻️"
 )
 
-# --- 2. ESTILO CSS PROFISSIONAL ---
+# --- 2. ESTILO CSS PROFISSIONAL E APRIMORADO ---
+# Paleta de Cores:
+# Verde Principal (Ações, Destaques Positivos): #2ca02c
+# Azul Profundo (Gráficos, Títulos Principais): #1f77b4
+# Cinza Escuro (Texto Principal): #333333
+# Cinza Médio (Texto Secundário, Rótulos): #666666
+# Cinza Claro (Fundo Principal, Bordas): #f0f2f6
+# Fundo dos Cards/Métricas: #ffffff
+# Sombra Suave dos Cards: rgba(0, 0, 0, 0.05)
+# Vermelho para Alertas/Negativo: #d62728
+
 st.markdown("""
 <style>
+    /* --- CONFIGURAÇÕES GERAIS --- */
+    body {
+        font-family: 'Segoe UI', 'Roboto', 'Helvetica Neue', sans-serif;
+        background-color: #f0f2f6;
+    }
+
+    /* --- TÍTULOS E TEXTOS --- */
+    h1, h2, h3 {
+        color: #1f77b4; /* Azul profundo para títulos */
+        font-weight: 600;
+    }
+
+    /* --- MÉTRICAS (KPIs) --- */
     .stMetric {
-        border-radius: 10px; padding: 15px; background-color: #FFFFFF;
-        border: 1px solid #E6E6E6; box-shadow: 0 4px 8px rgba(0,0,0,0.04);
+        background-color: #FFFFFF;
+        border: 1px solid #E0E0E0;
+        border-radius: 12px;
+        padding: 20px;
+        box-shadow: 0 4px 12px rgba(0,0,0,0.05);
+        transition: all 0.3s ease-in-out;
+    }
+    .stMetric:hover {
+        transform: translateY(-5px);
+        box-shadow: 0 8px 16px rgba(0,0,0,0.1);
+    }
+    .stMetric [data-testid="stMetricLabel"] {
+        color: #666666; /* Cinza médio para o rótulo */
+        font-size: 0.95rem;
+    }
+    .stMetric [data-testid="stMetricValue"] {
+        color: #1f77b4; /* Azul profundo para o valor */
+        font-size: 2.1rem;
+    }
+    .stMetric [data-testid="stMetricDelta"] {
+        color: #666666; /* Cor neutra para o texto auxiliar */
+    }
+
+    /* --- ABAS (TABS) --- */
+    .stTabs [data-baseweb="tab-list"] {
+        gap: 8px;
+        border-bottom: 2px solid #e0e0e0;
     }
-    .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;
+        height: 50px;
+        background-color: transparent;
+        border-radius: 8px 8px 0 0;
+        padding: 10px 20px;
+        color: #666666;
+        border: 0;
+        font-weight: 500;
+    }
+    .stTabs [aria-selected="true"] {
+        background-color: #f0f2f6;
+        color: #1f77b4;
+        border-bottom: 3px solid #1f77b4; /* Linha indicadora na aba ativa */
+    }
+
+    /* --- BARRA LATERAL (SIDEBAR) --- */
+    [data-testid="stSidebar"] {
+        background-color: #ffffff;
+        border-right: 1px solid #e0e0e0;
+    }
+    [data-testid="stSidebar"] .st-emotion-cache-16txtl3 { /* Título da Sidebar */
+       color: #1f77b4;
+    }
+
+    /* --- BOTÕES E WIDGETS --- */
+    .stButton>button {
+        border-radius: 8px;
+        border: 1px solid #1f77b4;
+        background-color: #1f77b4;
+        color: white;
+    }
+    .stRadio [data-baseweb="radio"] > div:first-child{
+        border-color: #1f77b4 !important;
     }
-    .stTabs [aria-selected="true"] { background-color: #FFFFFF; }
+
 </style>
 """, unsafe_allow_html=True)
 
 
-# --- 3. DEFINIÇÃO DAS FUNÇÕES GLOBAIS DE CÁLCULO ---
+# --- 3. DEFINIÇÃO DAS FUNÇÕES GLOBAIS (sem alterações) ---
+# As suas funções de cálculo permanecem as mesmas, pois são a lógica do negócio.
 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
+    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
+    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])
@@ -49,6 +131,7 @@ def calcular_payback_descontado(fluxo_caixa, taxa_desconto):
             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, cenarios_dict, eficiencia_geral_coleta, n_simulacoes=2000, seed=42):
     np.random.seed(seed)
@@ -60,6 +143,7 @@ def simular_faturamento_bootstrap(_df_dados_mensais_numeric, precos_dict, cenari
             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):
@@ -68,11 +152,16 @@ def gerar_fluxo_caixa_projeto(investimento_inicial, receita_anual_base, custos_o
         fluxo_caixa.append(fluxo_liquido_ano)
     return fluxo_caixa
 
-# --- 4. CARREGAMENTO DE DADOS (FUNÇÃO CACHEADA) ---
+# --- 4. CARREGAMENTO DE DADOS (sem alterações) ---
 @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]}
+    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()]}
@@ -81,42 +170,95 @@ def carregar_dados():
     custos_mensais_iniciais = {"Locacao_Maquina": 4400, "Coleta_Destinacao": 1400, "Outros": 500}
     return df_2024, df_anuais, precos_iniciais, df_2024_numeric, custos_mensais_iniciais
 
-# --- NOVA ESTRUTURA: FUNÇÕES DE RENDERIZAÇÃO DE PÁGINA ---
+# --- 5. EXECUÇÃO INICIAL E SIDEBAR DE CONTROLES (com pequenos ajustes) ---
+df_2024, df_anuais, precos_iniciais, df_2024_numeric, custos_mensais_iniciais = carregar_dados()
+
+# Paleta de cores para os gráficos
+PALETA_CORES_PROFISSIONAL = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b']
+
+st.sidebar.title("♻️ Painel de Controle")
+st.sidebar.markdown("Navegue pelas análises e ajuste as premissas do projeto.")
+st.sidebar.divider()
 
-def render_eda_page(df_2024, df_anuais):
-    """Renderiza todo o conteúdo da página de Análise Exploratória."""
+pagina_selecionada = st.sidebar.radio(
+    "**Menu Principal**",
+    ["🔎 Análise Exploratória", "🎯 Simulação de Faturamento", "📊 Análise de Viabilidade"],
+    captions=["Dados históricos de coleta", "Projeções de receita", "Cálculos de VPL, TIR e Risco"]
+)
+st.sidebar.divider()
+
+with st.sidebar.expander("⚙️ Premissas Financeiras", expanded=True):
+    investimento_inicial = st.number_input("Investimento Inicial (R$)", min_value=1000.0, value=5000.0, step=1000.0)
+    custos_operacionais_anuais = sum(custos_mensais_iniciais.values()) * 12
+    horizonte_projeto = st.slider("Horizonte do Projeto (anos)", 3, 20, 10)
+    taxa_desconto = st.slider("Taxa de Desconto (TMA) (%)", 5.0, 25.0, 12.0, 0.5) / 100
+    taxa_crescimento = st.slider("Crescimento Anual (%)", 0.0, 10.0, 3.0, 0.5) / 100
+    taxa_reinvestimento = st.slider("Taxa de Reinvestimento (MTIR) (%)", 2.0, 18.0, 10.0, 0.5) / 100
+
+with st.sidebar.expander("📈 Premissas de Mercado", expanded=False):
+    eficiencia_coleta_geral = st.slider("Eficiência Geral da Coleta (%)", 0, 100, 30, help="Fator mestre que afeta a quantidade de material coletado.") / 100
+    st.markdown("**Preços dos Materiais (R$/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("**Variação de Cenários (%)**")
+    fator_pessimista = st.slider("Cenário Pessimista", 50, 100, 80) / 100
+    fator_otimista = st.slider("Cenário Otimista", 100, 150, 115) / 100
+
+st.sidebar.divider()
+st.sidebar.info(f"Dados atualizados em: {pd.Timestamp.now(tz='America/Sao_Paulo').strftime('%d/%m/%Y %H:%M')}")
+
+# --- 6. LÓGICA DE RENDERIZAÇÃO DAS PÁGINAS (com gráficos aprimorados) ---
+
+if pagina_selecionada == "🔎 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.markdown("O primeiro passo para uma projeção robusta é entender o passado. Aqui, exploramos os dados históricos de coleta para identificar padrões, tendências e pontos de atenção.")
     st.divider()
 
-    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.")
-    
     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)
+        fig_evol_mensal = px.line(
+            df_melt_mensal, x='Mes', y='Quantidade (kg)', color='Material',
+            title="Variação Mensal da Coleta por Material", markers=True,
+            color_discrete_sequence=PALETA_CORES_PROFISSIONAL
+        )
+        fig_evol_mensal.update_layout(legend_title_text='Material', plot_bgcolor='white', font_color='#333')
         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")
+        fig_boxplot = px.box(
+            df_melt_mensal, x='Material', y='Quantidade (kg)', color='Material',
+            title="Variação e Volatilidade da Coleta Mensal",
+            color_discrete_sequence=PALETA_CORES_PROFISSIONAL
+        )
+        fig_boxplot.update_layout(legend_title_text='Material', plot_bgcolor='white', font_color='#333')
         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.")
+    st.divider()
+
+    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"
+    )
+    fig_evol_coleta.update_traces(marker_color='#1f77b4')
+    fig_evol_coleta.update_layout(plot_bgcolor='white', font_color='#333')
+    st.plotly_chart(fig_evol_coleta, use_container_width=True)
+    st.warning("**Observação:** A queda na coleta em 2023, principalmente em Plástico, é um ponto crítico. É crucial investigar se isso reflete a realidade operacional ou uma anomalia nos dados antes de basear decisões estratégicas nessas projeções.")
+
 
-def render_faturamento_page(df_2024_numeric, precos_editaveis, cenarios, eficiencia_coleta_geral):
-    """Renderiza todo o conteúdo da página de Simulação de 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 e na eficiência de coleta definida.")
+    st.markdown("Utilizando a técnica de *bootstrapping*, simulamos 2.000 possíveis anos de faturamento com base na volatilidade histórica e nas premissas de preço e eficiência definidas.")
     st.divider()
-    
+
+    cenarios = {'Pessimista': fator_pessimista, 'Base': 1.0, 'Otimista': fator_otimista}
     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'])
@@ -124,144 +266,134 @@ def render_faturamento_page(df_2024_numeric, precos_editaveis, cenarios, eficien
     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('_', ' '))
+    kpi2.metric("Risco do Faturamento (DP)", formatar_brl(desvio_padrao_base), help="Desvio Padrão. Mede a volatilidade do faturamento. Valores mais altos indicam maior incerteza.")
+    kpi3.metric("Principal Material (Receita)", material_mais_rentavel.replace('_', ' '))
     st.divider()
-    
-    col_g1, col_g2 = st.columns([6, 4])
+
+    col_g1, col_g2 = st.columns([3, 2])
     with col_g1:
         st.subheader("Distribuição do Faturamento Anual Simulado")
         fig_dist = go.Figure()
+        cores_cenario = {'Pessimista': '#d62728', 'Base': '#1f77b4', 'Otimista': '#2ca02c'}
         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$)", yaxis_title="Densidade de Probabilidade", legend_title_text='Cenário')
+            fig_dist.add_trace(go.Histogram(
+                x=data, name=nome, histnorm='probability density',
+                marker_color=cores_cenario[nome], opacity=0.7
+            ))
+        fig_dist.update_layout(
+            barmode='overlay', title_text="Comparativo de Cenários de Faturamento",
+            xaxis_title="Faturamento Anual (R$)", yaxis_title="Probabilidade",
+            legend_title_text='Cenário', plot_bgcolor='white', font_color='#333'
+        )
+        fig_dist.update_traces(opacity=0.75)
         st.plotly_chart(fig_dist, use_container_width=True)
+
     with col_g2:
-        st.subheader("Composição do Faturamento (Base 2024)")
+        st.subheader("Composição da Receita (Cenário Base)")
         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")
+        fig_comp = px.pie(
+            df_faturamento_material, values='Faturamento', names='Material',
+            hole=0.4, title="Faturamento por Material",
+            color_discrete_sequence=PALETA_CORES_PROFISSIONAL
+        )
+        fig_comp.update_layout(legend_title_text='Material', plot_bgcolor='white', font_color='#333')
         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."""
+
+elif pagina_selecionada == "📊 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.")
-    
+    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 de risco.")
+
+    cenarios = {'Pessimista': fator_pessimista, 'Base': 1.0, 'Otimista': fator_otimista}
     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.info("Selecione o cenário para a análise detalhada dos indicadores e do fluxo de caixa.")
+    cenario_analise = st.radio(
+        "**Selecione o cenário para a análise detalhada:**",
+        options=list(cenarios.keys()), index=1, horizontal=True, label_visibility="collapsed"
+    )
     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"])
+
+    tab_kpis, tab_fluxo, tab_risco, tab_resumo = st.tabs(["📈 Indicadores Chave", "📂 Fluxo de Caixa", "🎲 Análise de Risco", "📋 Resumo Executivo"])
 
     with tab_kpis:
-        st.subheader(f"Indicadores para o Cenário: {cenario_analise}")
+        st.subheader(f"Indicadores Financeiros 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")
+        col1.metric("VPL (Valor Presente Líquido)", formatar_brl(vpl), "Viável" if vpl >= 0 else "Inviável", delta_color="off")
+        col2.metric("TIR (Taxa Interna de Retorno)", formatar_percentual(tir), "Acima da TMA" if pd.notna(tir) and tir > taxa_desconto else "Abaixo da TMA", delta_color="off")
+        col3.metric("MTIR (TIR Modificada)", formatar_percentual(mtir), "Acima da TMA" if pd.notna(mtir) and mtir > taxa_desconto else "Abaixo da TMA", delta_color="off")
+        col4.metric("Payback Descontado", f"{payback_desc:.1f} anos" if not np.isinf(payback_desc) else "Não recupera", help="Tempo para recuperar o investimento inicial.")
 
     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')
+        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', line=dict(color='#1f77b4', width=3))
+        ])
+        fig_fluxo.update_layout(
+            title_text="Fluxo de Caixa Anual e Acumulado",
+            hovermode='x unified', plot_bgcolor='white', font_color='#333'
+        )
         st.plotly_chart(fig_fluxo, use_container_width=True)
 
     with tab_risco:
-        st.subheader(f"Simulação Monte Carlo para o VPL (Cenário: {cenario_analise})")
+        st.subheader(f"Análise de Risco do VPL (Simulação de Monte Carlo)")
+        st.markdown(f"Executamos 5.000 simulações baseadas na distribuição de receitas do **cenário {cenario_analise}** para entender a probabilidade de sucesso do projeto.")
         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.")
+        mc2.metric("Probabilidade de Viabilidade", formatar_percentual(prob_viabilidade), help="Percentual de simulações com VPL >= 0.")
+        mc3.metric("Risco do VPL (DP)", formatar_brl(vpl_std_mc), help="Mede a volatilidade ou risco do VPL.")
+
         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")
+        fig_mc.add_vline(x=0, line_dash="dash", line_color="red", annotation_text="Ponto de Viabilidade")
+        fig_mc.update_layout(xaxis_title="VPL (R$)", yaxis_title="Frequência", plot_bgcolor='white', font_color='#333')
         st.plotly_chart(fig_mc, use_container_width=True)
 
     with tab_resumo:
         st.subheader("Resumo Executivo e Parecer Final")
+        st.markdown(f"Análise consolidada com base no **cenário {cenario_analise}**.")
+
+        if vpl > 0 and prob_viabilidade > 0.75:
+            st.success("**RECOMENDAÇÃO: APROVAR.** O projeto demonstra forte viabilidade financeira (VPL positivo e TIR acima da TMA) e robustez, com uma alta probabilidade de sucesso superior a 75% na simulação de risco.")
+        elif vpl > 0 and prob_viabilidade > 0.5:
+            st.warning("**RECOMENDAÇÃO: APROVAR COM CAUTELA.** Embora o cenário base seja viável, a probabilidade de sucesso é moderada. Recomenda-se um plano de mitigação para os riscos de receita, garantindo que as metas de coleta sejam atingidas.")
+        else:
+            st.error("**RECOMENDAÇÃO: REAVALIAR/REJEITAR.** Os indicadores financeiros, combinados com um perfil de risco elevado (baixa probabilidade de VPL positivo), não sustentam o investimento nas condições atuais. É crucial revisar as premissas de custos, receitas ou o investimento inicial.")
+
+        st.markdown("---")
+        st.markdown("#### Detalhes da Análise:")
         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()
-
-    # 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()
-    
-    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')}")
-
-    # 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)
-    
-    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()
+        if vpl >= 0:
+            conclusoes.append(f"<li><span style='color: {PALETA_CORES_PROFISSIONAL[2]};'>✔</span> **Viabilidade Financeira:** O projeto é considerado **VIÁVEL** com um VPL de **{formatar_brl(vpl)}**.</li>")
+        else:
+            conclusoes.append(f"<li><span style='color: {PALETA_CORES_PROFISSIONAL[3]};'>❌</span> **Viabilidade Financeira:** O projeto é **INVIÁVEL** com um VPL negativo de **{formatar_brl(vpl)}**.</li>")
+
+        if not pd.isna(tir) and tir > taxa_desconto:
+            conclusoes.append(f"<li><span style='color: {PALETA_CORES_PROFISSIONAL[2]};'>✔</span> **Atratividade do Retorno:** A TIR de **{formatar_percentual(tir)}** supera a TMA de {formatar_percentual(taxa_desconto)}, reforçando a atratividade.</li>")
+        else:
+            conclusoes.append(f"<li><span style='color: {PALETA_CORES_PROFISSIONAL[3]};'>❌</span> **Atratividade do Retorno:** A TIR de **{formatar_percentual(tir)}** é inferior à TMA, um forte indicador contra o projeto.</li>")
+
+        if prob_viabilidade > 0.75:
+            conclusoes.append(f"<li><span style='color: {PALETA_CORES_PROFISSIONAL[2]};'>✔</span> **Análise de Risco:** A simulação aponta uma **alta probabilidade de sucesso de {formatar_percentual(prob_viabilidade)}**, conferindo robustez à decisão.</li>")
+        elif prob_viabilidade > 0.5:
+            conclusoes.append(f"<li><span style='color: {PALETA_CORES_PROFISSIONAL[1]};'>⚠️</span> **Análise de Risco:** A probabilidade de sucesso de **{formatar_percentual(prob_viabilidade)} é moderada**, indicando sensibilidade às variações.</li>")
+        else:
+            conclusoes.append(f"<li><span style='color: {PALETA_CORES_PROFISSIONAL[3]};'>❌</span> **Análise de Risco:** A probabilidade de sucesso de **{formatar_percentual(prob_viabilidade)} é baixa**, indicando um risco elevado.</li>")
+
+        st.markdown("<ul>" + "".join(conclusoes) + "</ul>", unsafe_allow_html=True)