Mapa de demanda e centro de massa com Python: análise de dados passo a passo

Por Danilo Carajiliascov
Publicado em 13/07/2023
Atualizado em 15/10/2026
6 min de leitura

Sumário executivo
Mapa de demanda e centro de massa em resumo: O mapa de demanda e centro de massa é uma análise de dados que mostra a distribuição da demanda e o seu centro de massa, apoiando a estruturação da malha logística. Além disso, no exemplo do post, feito em Python, um centro de distribuição poderia ficar em Mogi Mirim, entre os centros de massa de vendedores e clientes.

Mapa de Demanda e Centro de Massa com Python

Os desafios da Supply Chain se iniciam no planejamento e, neste contexto, um dos projetos mais demandados é a estruturação de uma Malha Logística que maximiza o nível de serviço ao cliente e a produtividade operacional.

Uma das importantes análises de dados que desenvolvemos com o apoio da tecnologia (Big Data, Python etc.) é o mapa de demanda e centro de massa.

Veja uma síntese, do ponto de vista de programação, de como fazer a análise:

Objetivo: Gerar um mapa que mostre a distribuição da demanda e seu centro de massa com os dados da “Brazilian E-Commerce Public Dataset”. Acessível no site da Kaggle.

O dataset possui 8 tabelas com seguintes relacionamentos:

Diagrama das oito tabelas do dataset Olist ligadas por order_id, product_id, seller_id e zip_code_prefix — As oito tabelas do conjunto público de e-commerce se conectam a partir da tabela de pedidos, que é o centro do modelo.

As setas indicam o nome de coluna que faz o relacionamento entre as tabelas.

Por exemplo: a tabela “olist_orders_dataset”, que possui os dados da capa do pedido, se relaciona com a tabela “olist_order_itens_dataset”, que possui os dados dos itens do pedido, através da coluna “order_id”. Com os dados organizados assim, é possível até fazer um dashboard em Python para acompanhar os pedidos.

Para nosso projeto iremos utilizar as seguintes tabelas:

Recorte do diagrama com seis tabelas: pedidos, itens, produtos, vendedores, clientes e geolocalização — Do modelo completo, o projeto usa apenas as tabelas necessárias ao cálculo do mapa de demanda, deixando de fora avaliações e pagamentos.

Como todas as tabelas começam com “olist” e terminam com “dataset” iremos remover esses textos para deixar os nomes mais enxutos.

Bibliotecas utilizadas:

Célula de código Python importando as bibliotecas pandas e folium, com execução concluída em 2.7s — Duas bibliotecas sustentam todo o trabalho: pandas para manipular as tabelas e folium para desenhar o mapa.

Criamos uma variável “local_dados” com o local do computador onde estão as tabelas. Desta forma basta adicionar o nome do arquivo.

Carregamento das tabelas:

Tabela de geolocalização com CEP, latitude, longitude, cidade e estado, somando 1000163 linhas e 5 colunas — A base de geolocalização é a maior do conjunto, com mais de um milhão de registros de CEP e coordenadas.

Tabela de clientes com identificador, CEP, cidade e estado, totalizando 99441 linhas e 5 colunas — A base de clientes traz quase cem mil registros, cada um com o CEP que servirá de ponte para as coordenadas.

Tabela de itens de pedido com produto, vendedor, preço e frete, somando 112650 linhas e 7 colunas — Cada linha corresponde a um item vendido, com preço e valor de frete próprios, o que explica haver mais itens do que pedidos.

Tabela de pedidos com datas de compra, aprovação e entrega convertidas, com 99441 linhas e 8 colunas — As cinco colunas de data são convertidas para o tipo datetime já no carregamento, condição para filtrar depois o período de um ano.

Tabela de produtos com categoria, peso em gramas e dimensões, totalizando 32951 linhas e 9 colunas — O peso vem em gramas e as medidas em centímetros, formatos que serão convertidos antes de entrar no cálculo do centro de massa.

Tabela de vendedores com identificador, CEP, cidade e estado, somando 3095 linhas e 4 colunas — Os vendedores são pouco mais de três mil, número muito menor que o de clientes, o que antecipa uma origem mais concentrada que o destino.

Montar tabela de vendas completa.

Com os dados de pedidos, clientes, vendedores, produtos e geolocalização

Geolocalização por cidade:

Geolocalização agrupada por estado e cidade com média de latitude e longitude, resultando em 8463 linhas — Agrupar por estado e cidade reduz mais de um milhão de CEPs a 8463 pontos, um par de coordenadas médio para cada município.

Adicionar geolocalização aos vendedores e deixar somente as colunas necessárias:

Vendedores com latitude e longitude anexadas por estado e cidade; a primeira linha é SP_campinas — Um merge pela chave estado_cidade traz as coordenadas médias do município para cada vendedor e descarta as colunas que deixaram de ser necessárias.

A mesma coisa para os clientes:

Clientes com coordenadas anexadas; a primeira linha é SP_franca em -20.534057 e -47.398437 — O mesmo cruzamento aplicado aos vendedores é repetido para os clientes, agora com as colunas nomeadas customers_lat e customers_lng.

Juntar dados de clientes com os dados de pedidos:

Pedidos unidos aos clientes, mantendo data de entrega, estado, cidade e coordenadas do destino — O merge por customer_id reduz a tabela de pedidos ao essencial: identificador, data de entrega ao cliente e localização do destino.

Arrumar os dados de produtos: converter gramas para quilogramas e dimensões do produto para volume em m³.

Produtos com peso convertido para quilogramas e as três dimensões transformadas em volume em metros cúbicos — O peso em gramas é dividido por mil e o produto das três medidas em centímetros é dividido por um milhão, padronizando as unidades da análise.

Formar a base completa juntando os dados de itens de pedido com dados de produtos, pedidos e vendedores:

Base completa de itens de pedido unida a produtos, pedidos e vendedores, com 112650 linhas e 20 colunas — Três merges encadeados reúnem em uma só tabela o item vendido, o produto, o pedido e o vendedor, chegando a vinte colunas.

Preparar dados para o Mapa

Tabela com total do peso do último ano por cidade de destino (mantendo cidades com peso total maior que 10 kg):

Peso somado por cidade de destino em um ano: SP_sao paulo lidera com 24498,399 kg, em 1392 linhas — Filtradas as entregas entre outubro de 2017 e setembro de 2018 e mantidas apenas as cidades acima de 10 kg, restam 1392 destinos, encabeçados por São Paulo.

O mesmo com as cidades de origem (as cidades dos vendedores):

Peso somado por cidade de origem: SP_sao paulo com 32939,323 kg encabeça uma lista de 330 linhas — Do lado dos vendedores, o mesmo recorte de um ano produz apenas 330 cidades, contra as 1392 de destino, o que mostra origem bem mais concentrada.

Gerar os centros de massa dos clientes e dos vendedores:

Centro de massa dos clientes calculado por média ponderada pelo peso: -21.368160313608872 e -46.21755572754099 — A média das coordenadas ponderada pelo peso transportado resume toda a demanda em um único ponto geográfico.

Centro de massa dos vendedores calculado por média ponderada: -22.92338845189827 e -47.19843248231834 — O mesmo cálculo aplicado às cidades de origem devolve um ponto mais ao sul e a oeste que o dos clientes, distância que revela um desalinhamento entre oferta e demanda.

Gerar o mapa com os dados de vendas, centro de massa dos clientes e centro de massa dos vendedores

Mapa inicial:

Código folium criando o mapa base centrado em -16 e -50, com tiles OpenStreetMap e zoom inicial 5 — O mapa é iniciado no centro do Brasil, com zoom que enquadra o país inteiro, antes de receber as camadas de vendas e de centros de massa.

Camada de clientes:

Código Python com folium.CircleMarker gerando círculos vermelhos por cliente com raio ligado ao peso — O laço percorre a base de pedidos e cria um círculo por cliente, com raio calculado a partir da raiz quadrada do peso do produto dividida por 4.

Camadas de Centro de Massa:

Código Python com dois folium.Marker, um para o centro de massa dos clientes e outro dos vendedores — Cada marcador usa as médias de latitude e longitude calculadas separadamente para clientes e para vendedores.

Visualização do Resultado!

Mapa do Brasil com círculos vermelhos de tamanhos variados e dois marcadores azuis no Sudeste — Os círculos maiores concentram-se no litoral Sudeste e Sul, e os dois marcadores azuis caem na mesma região.

Aproximação do mapa nas regiões Sudeste, Sul e Centro-Oeste com círculos vermelhos de demanda — A aproximação separa os grandes círculos de São Paulo, Rio de Janeiro, Belo Horizonte, Curitiba, Brasília e Porto Alegre.

Mapa aproximado com balão aberto identificando o marcador Centro de Massa dos Clientes — O balão aberto confirma qual dos dois marcadores corresponde ao centro de massa dos clientes.

Mapa aproximado com balão aberto identificando o marcador Centro de Massa dos Vendedores — O centro de massa dos vendedores fica mais próximo da grande concentração de demanda paulista do que o dos clientes.

Podemos ainda explorar mais um recurso deste mapa: adicionar linhas!

Vamos imaginar que estes dados são de uma empresa que adquire as mercadorias, armazena em um Centro de Distribuição e, a partir deste, entrega para os clientes.

Um possível local para se instalar um centro de distribuição seria a cidade de Mogi Mirim, que fica entre o centro de massa dos vendedores (neste cenário poderíamos chamar de fornecedores) e o centro de massa dos clientes.

Camada de linhas:

Código Python com folium.PolyLine em laço de 400 iterações partindo do ponto -22.43194, -46.95778 — As 400 linhas partem sempre da mesma coordenada, que recebe o marcador 'Centro de Distribuição'.

Visualização do Resultado!

Mapa do Brasil com linhas azuis irradiando de um ponto no Sudeste até clientes de todas as regiões — As linhas alcançam de Porto Alegre a Belém, o que evidencia o raio de atendimento a partir de um único ponto.

Zoom do mapa de linhas com o balão Centro de Distribuição aberto sobre o ponto de convergência — A aproximação mostra que o ponto de convergência das linhas é o mesmo marcado como centro de distribuição.

Muito obrigado por ler o artigo. Espero que tenham gostado!

Até o próximo!

Etapas da análise no Python

Em resumo, o roteiro de programação descrito no post:

Etapa	O que é feito
Carregar os dados	Tabelas do Brazilian E-Commerce Public Dataset, com os nomes encurtados
Montar a base de vendas	Juntar pedidos, clientes, vendedores, produtos e geolocalização por cidade
Preparar para o mapa	Peso total do último ano por cidade de destino e de origem, acima de 10 kg
Gerar o mapa	Camadas de clientes e dos centros de massa de clientes e de vendedores
Adicionar linhas	Simular um centro de distribuição entre os dois centros de massa

Perguntas frequentes sobre mapa de demanda e centro de massa

Para que serve o mapa de demanda e centro de massa?

Serve ao planejamento da supply chain, em especial à estruturação de uma malha logística que maximize o nível de serviço ao cliente e a produtividade operacional. O mapa mostra onde está a demanda e onde ficam os centros de massa dos clientes e dos vendedores.

O que é o centro de massa na análise logística?

É o ponto geográfico que equilibra os locais de demanda ou de origem ponderados pelo volume de cada um, como uma média das coordenadas pesada pelo peso movimentado. No post, ele é calculado com o peso total do último ano por cidade, separadamente para clientes e para vendedores.

Qual dataset foi usado na análise?

O Brazilian E-Commerce Public Dataset, disponível no site da Kaggle. Ele tem 8 tabelas relacionadas por colunas, como a tabela de pedidos, que se liga à de itens do pedido pela coluna order_id. Para o projeto, foram usadas parte dessas tabelas, com os nomes encurtados.

Quais são as etapas para gerar o mapa em Python?

Carregar as tabelas, montar a base de vendas com pedidos, clientes, vendedores, produtos e geolocalização por cidade, converter gramas em quilos e dimensões em m³, somar o peso do último ano por cidade de destino e de origem, mantendo as cidades com mais de 10 kg, calcular os centros de massa e gerar o mapa em camadas.

Como o mapa ajuda a escolher a localização de um CD?

No cenário do post, uma empresa compra as mercadorias, armazena em um centro de distribuição e entrega aos clientes. Com uma camada de linhas no mapa, o autor sugere Mogi Mirim como possível local, por ficar entre o centro de massa dos vendedores, ou fornecedores, e o dos clientes.

Conteúdos complementares recomendados

Como fazer um dashboard em Python: Além disso, o dashboard citado pelo autor.
Estudo de malha logística: Ou seja, o projeto que a análise apoia.
Como escolher a localização do centro de distribuição: Por fim, o próximo passo depois do mapa.

61 visualizações

Tags: análise de dados, centro de massa, mapa de demanda, python

Mapa de demanda e centro de massa com Python: análise de dados passo a passo

Mapa de Demanda e Centro de Massa com Python

Etapas da análise no Python

Perguntas frequentes sobre mapa de demanda e centro de massa

Conteúdos complementares recomendados

Leia também

Buscar no blog

Mapa de Demanda e Centro de Massa com Python

Etapas da análise no Python

Perguntas frequentes sobre mapa de demanda e centro de massa

Conteúdos complementares recomendados

Leia também

Princípios ergonômicos para a movimentação manual de materiais

Contentor colapsível: o caso que reduziu custos com segurança

Uso de talhas: o que fazer e o que evitar na operação

Buscar no blog