⛽ Do Excel ao mapa: explorando o preço da gasolina no Brasil com dados públicos

⛽ Do Excel ao mapa: explorando o preço da gasolina no Brasil com dados públicos

Existe uma quantidade enorme de dados públicos disponíveis — e, muitas vezes, eles passam despercebidos.

Planilhas, números, tabelas… tudo ali, mas ainda distante da nossa compreensão do dia a dia.

Foi exatamente isso que me motivou a desenvolver este pequeno projeto:
pegar dados reais sobre o preço dos combustíveis no Brasil e transformá-los em algo visual, explorável e intuitivo.

📥 O ponto de partida: dados da ANP

A base de tudo vem da Agência Nacional do Petróleo (ANP), que disponibiliza semanalmente levantamentos de preços de combustíveis em todo o país.

Esses dados são extremamente ricos:

• preços médios, mínimos e máximos
• informações por estado e município
• histórico ao longo do tempo
  

Mas há um detalhe importante:
👉 eles vêm em formato de planilhas.

E planilhas, apesar de úteis, não são exatamente a melhor forma de enxergar padrões.

⚙️ Automatizando a coleta de dados

O primeiro passo foi eliminar o trabalho manual.

Em vez de baixar arquivos manualmente toda semana, criei scripts em Python para:

• acessar a página da ANP
• identificar os links das planilhas mais recentes
• realizar o download automaticamente

Isso transforma uma tarefa repetitiva em algo totalmente automatizado.

💡 Aqui já começa uma mudança importante:
os dados deixam de ser algo estático e passam a ser um fluxo.

🧹 Tratamento: transformando dados brutos em informação

Com os arquivos em mãos, entra a etapa mais importante: o tratamento.

Utilizando Python e Pandas, fiz:

• filtragem por tipo de combustível (gasolina)
• seleção das colunas relevantes
• padronização dos dados
• agregação por estado e região

O resultado disso é um dataset mais limpo e direto para análise.

📊 O que dá para extrair desses dados?

Com os dados organizados, começam a surgir perguntas interessantes:

• Quais estados têm os preços mais altos?
• Como os preços variam entre regiões?
• Existe diferença no ritmo de aumento?
• Quem merece puxão de orelha?
  

E aqui entra um ponto chave:
👉 analisar comportamento.

📈 Variação ao longo do tempo

Uma das análises mais interessantes foi observar a variação percentual dos preços por região.

Isso permite enxergar algo além do preço em si:

• regiões que estão mais estáveis
• regiões com aumentos mais acelerados

Essa visão traz uma leitura mais dinâmica da realidade e quiçá pedidos de explicação por parte da população!

🧠 Identificando desvios

Outro passo foi aplicar uma análise simples, mas poderosa:
identificar valores fora do padrão.

Utilizando conceitos como média e desvio padrão, é possível detectar estados que:

• estão significativamente acima da média
• apresentam comportamento diferente do restante
  

Isso não significa, necessariamente, que há algo errado, mas levanta hipóteses interessantes.

🗺️ Do número ao mapa

Talvez a transformação mais impactante tenha sido visual.

Ao invés de apenas listar valores, os dados foram levados para um mapa do Brasil.

Cada estado passa a ser representado visualmente, permitindo perceber padrões quase instantaneamente.

🌐 Visualização no navegador

Para tornar tudo acessível, os dados foram convertidos em dashboards simples, utilizando JavaScript.

Esses dashboards:

• são estáticos (não dependem de backend)
• podem ser acessados diretamente no navegador
• utilizam GeoJSON para desenhar o mapa
• utilizam bibliotecas leves para gráficos
  

O resultado é uma interface simples, mas bastante eficaz.

Acesse clicando neste link.

GitHub público neste link: https://github.com/miguel-br-dl/dl-revendas-combustiveis

🔍 O que esse projeto mostra?

Mais do que os números em si, esse projeto mostra algumas coisas importantes:

• Dados públicos podem gerar insights interessantes
• Pequenos scripts já permitem automatizar processos relevantes
• Visualização muda completamente a forma como entendemos informação
  

E talvez o mais importante:

👉 a análise não precisa ser complexa para ser útil

⚠️ Informação relevante

Os dados utilizados são públicos e fornecidos pela ANP.

As análises apresentadas aqui têm caráter exploratório e não representam conclusões definitivas sobre práticas de mercado.

Diferenças regionais podem ser influenciadas por diversos fatores, como logística, impostos e dinâmica local.

🚀 Próximos passos

Esse projeto abre várias possibilidades:

• análise histórica mais longa
• comparação entre combustíveis
• dashboards mais interativos
• integração com outras fontes de dados
  

E, principalmente:

👉 novas perguntas

💬 Conclusão

No fim, esse projeto começou com algo simples:

uma planilha.

Mas, ao longo do caminho, ela se transformou em:

• um pipeline de dados
• uma análise exploratória
• uma visualização interativa
  

E talvez esse seja o ponto mais interessante:

não é sobre os dados em si, porém o que conseguimos enxergar quando damos forma a eles.